EarlyDetect: הבינה המלאכותית שמזהה סופות שמש 9 שעות לפני שהן נראות

חיזוי מזג האוויר בחלל עומד לקבל שדרוג משמעותי. צוות חוקרים מהמכון הטכנולוגי של ניו ג'רזי (NJIT), אוניברסיטת פרינסטון ומרכז המחקר איימס של נאס"א פיתח את EarlyDetect, מודל בינה מלאכותית שיכול לחזות את הופעתם של אזורים פעילים על השמש – המקור להתלקחויות שמש (Solar Flares) ולפליטות מסה עטרתית (CMEs) – בממוצע 9.24 שעות לפני שהם הופכים גלויים על פני השמש . פריצת הדרך פורסמה בכתב העת Journal of Geophysical Research: Machine Learning and Computation .

כיצד פועלת ארכיטקטורת ה-Sliding-Window Transformer

EarlyDetect משתמש בארכיטקטורת Transformer, אותה טכנולוגיית AI הנמצאת בבסיס מודלי שפה גדולים כמו GPT, אך מותאמת לזיהוי תבניות בתצפיות שמש במקום בטקסט . המערכת מעבדת מפות עוצמה אקוסטית (acoustic power maps) ומדידות שדה מגנטי ממצפה הכוכבים Solar Dynamics Observatory (SDO) של נאס"א, ובמיוחד ממכשיר ה-Helioseismic and Magnetic Imager (HMI), המתעד תצפיות גלי קול כל 45 שניות .

כאשר שדות מגנטיים עולים לעבר פני השמש, הם מותירים חתימות קלושות בגלים האקוסטיים. ירידה בעוצמה האקוסטית מופיעה ראשונה – ומספקת אות מוקדם להופעת אזור פעיל – ולאחריה שינויים בעוצמת הרצף (continuum intensity) ובשדה המגנטי ככל שהאזור הופך גלוי . המודל משתמש בגישת חלון הזזה (Sliding-Window) כדי לנתח רצפים זמניים אלה ולזהות שינויים עדינים בתנודות השמש בטרם הופעת כתמי שמש .

החוקרים מתארים את האתגר כ"זיהוי שינוי קל בקצב בתוך תזמורת רועשת מאוד" . האזורים הפעילים מתחילים להתפתח מתחת לפני השמש הנראים, ולכן על המודל לזהות שינויים זעירים מאוד בשדה המגנטי ובדפוסי הגלים האקוסטיים בתוך הפעילות הסולארית הקבועה.

טעות הסינון המפתיעה

אחד הממצאים המאלפים ביותר מהמחקר היה כישלון בלתי צפוי. הצוות יישם בתחילה טכניקת סינון שנועדה לסייע ל-AI לזהות תבניות חשובות – אך היא דווקא הרעה משמעותית בביצועים .

"ציפינו בתחילה שהיא תעזור לבודד תבניות שימושיות בטווח זמן קצר. במקום זאת, היא מיצעה (העמידה על ממוצע) את התנודות הקלושות מאוד שסיפקו את האזהרה המוקדמת ביותר," אמר החוקר הראשי-המשותף, אלכסנדר קוסוביצ'ב . מחבר המחקר הראשי, ג'ונאס טירונה, ציין כי המסנן היה "מזיק כמעט בכל מקרה" – האותות שהוסרו היו בדיוק אלה שהמודל היה צריך כדי לחזות מתי יופיע אזור פעיל .

תוצאה לא אינטואיטיבית זו מדגישה כיצד מודלי AI בפיזיקת השמש (הליופיזיקה) עשויים להתנהג אחרת מהצפוי, מה שמחייב אימות אמפירי קפדני של כל שלב בעיבוד מקדים.

ביצועי ייחוס ומגבלות קריטיות

הגרסה הטובה ביותר של EarlyDetect השיגה שיפור של 10.6% בשגיאת השורש הממוצעת הריבועית (RMSE) בהשוואה לשיטת ה-LSTM הקודמת . המודל עלה בביצועיו הן על מודל Transformer סטנדרטי והן על שיטות ייחוס קודמות .

החוקרים הדגישו מספר מגבלות מפתח שחשוב להכיר ביישומי מזג אוויר בחלל:

• התראות שווא: המודל מנבא לעתים הופעת אזור פעיל שאינה מתרחשת בפועל .
• תחזיות מאוחרות: לא כל האזורים הפעילים מזוהים עם זמן התרעה מספק .
• אין ערובה להתפרצויות: זיהוי אזור פעיל אינו מבטיח שהוא יפיק התלקחויות או פליטות מסה עטרתית – המודל צופה את הופעת האזור עצמו, ולא את פעילותו המתפרצת לאחר מכן .

מערך נתונים ציבורי לשיפור המחקר

כדי להאיץ את המחקר בתחום, הצוות פרסם את SolARED (Solar Active Region Emergence Dataset), מערך נתונים מוכן ללמידת מכונה, המופק ממפות מלאות-דיסק של מהירות דופלר, שדה מגנטי ועוצמת רצף מכלי HMI/SDO . מערך הנתונים כולל סדרות זמן של נתונים שעברו מיפוי מחדש, מעקב וקיבוץ (binned), המאפיינים את התפתחות העוצמה האקוסטית ופרמטרים פיזיקליים אחרים . הנתונים זמינים לציבור באמצעות פורטל ייעודי לתמיכה במחקר עתידי בהליופיזיקה ובמזג אוויר בחלל .

המשמעות לחיזוי מזג האוויר בחלל

EarlyDetect מייצג צעד משמעותי לקראת מערכות התרעה מוקדמות מבצעיות למזג אוויר בחלל. על ידי מתן כמעט תשע שעות של הודעה מוקדמת לפני הופעת אזורים פעילים, המודל יכול לסייע בהגנה על לוויינים, רשתות חשמל ואסטרונאוטים מפני סופות שמש. הזמינות של מערך הנתונים SolARED פירושה שחוקרים אחרים יכולים לבנות על עבודה זו, ולשפר את ההתראות עוד יותר או להרחיב את הגישה לחיזוי אירועים מתפרצים בפועל.

עם זאת, המגבלות הנוכחיות של המודל – התראות שווא, תחזיות מאוחרות והפער שבין הופעת אזור פעיל להתפרצויות בפועל – פירושן שזו אינה עדיין פתרון שלם. הדיווח הכנה של החוקרים על מגבלות אלה הוא בעל ערך בפני עצמו, ומתווה מפת דרכים ברורה להיכן הדור הבא של מודלים צריך להשתפר.