EarlyDetect: AI ที่พยากรณ์ 'จุดกำเนิดพายุสุริยะ' ได้ล่วงหน้าหลายชั่วโมง ก่อนที่ดวงอาทิตย์จะเผยให้เห็น

พายุสุริยะ (solar storms) อาจเป็นภัยคุกคามร้ายแรงต่อดาวเทียม โครงข่ายไฟฟ้า และนักบินอวกาศ แต่การพยากรณ์เหตุการณ์เหล่านี้ยังคงเป็นความท้าทายครั้งใหญ่ของวงการวิทยาศาสตร์ อย่างไรก็ตาม การพยากรณ์สภาพอวกาศ (space weather forecasting) กำลังจะก้าวกระโดดครั้งสำคัญ เมื่อทีมนักวิจัยจาก New Jersey Institute of Technology (NJIT), Princeton University และ NASA's Ames Research Center เปิดตัว EarlyDetect

EarlyDetect คือโมเดลปัญญาประดิษฐ์ที่สามารถทำนายการเกิด 'บริเวณกัมมันต์' (active regions) ซึ่งเป็นแหล่งกำเนิดของเปลวสุริยะ (solar flares) และการปล่อยมวลคอร์ออวัล (coronal mass ejections) ได้เฉลี่ย 9.24 ชั่วโมง ก่อนที่มันจะปรากฏขึ้นบนพื้นผิวของดวงอาทิตย์ ผลงานชิ้นนี้ได้รับการตีพิมพ์ในวารสาร Journal of Geophysical Research: Machine Learning and Computation

การทำงานของ Sliding-Window Transformer ใน EarlyDetect

หัวใจสำคัญของ EarlyDetect คือ สถาปัตยกรรม Transformer ซึ่งเป็นเทคโนโลยีเบื้องหลังโมเดลภาษาขนาดใหญ่อย่าง GPT แต่ถูกปรับมาให้เรียนรู้รูปแบบข้อมูลจากดวงอาทิตย์แทนที่จะเป็นข้อความ โดยระบบจะประมวลผล แผนที่คลื่นเสียง (acoustic power maps) และ การวัดสนามแม่เหล็ก จาก Solar Dynamics Observatory (SDO) ของ NASA โดยเฉพาะจากเครื่องมือ Helioseismic and Magnetic Imager (HMI) ซึ่งบันทึกการสังเกตคลื่นเสียงทุก 45 วินาที

เมื่อสนามแม่เหล็กพุ่งขึ้นสู่พื้นผิวดวงอาทิตย์ มันทิ้งร่องรอยจางๆ ไว้ในคลื่นเสียง การลดลงของพลังงานคลื่นเสียงเป็นสัญญาณแรกที่บ่งบอกถึงการเกิดขึ้นของบริเวณกัมมันต์ ตามมาด้วยการเปลี่ยนแปลงของความเข้มข้นของรังสีต่อเนื่อง (continuum intensity) และสนามแม่เหล็กเมื่อบริเวณนั้นเริ่มมองเห็นได้ โมเดลใช้แนวทาง Sliding-Window เพื่อวิเคราะห์ลำดับเวลาเหล่านี้ โดยตรวจจับการเปลี่ยนแปลงเล็กๆ น้อยๆ ในคลื่นจากการสั่นของดวงอาทิตย์ก่อนที่จุดมืดจะปรากฏ

นักวิจัยเปรียบเทียบความท้าทายนี้ว่าเหมือนกับ "การตรวจจับจังหวะที่เปลี่ยนไปเล็กน้อยภายในวงออเคสตราที่อึกทึก" เพราะบริเวณกัมมันต์เริ่มก่อตัวใต้พื้นผิวที่มองเห็นของดวงอาทิตย์ ดังนั้นโมเดลจึงต้องแยกแยะการเปลี่ยนแปลงเล็กน้อยของสนามแม่เหล็กและรูปแบบคลื่นเสียงท่ามกลางกิจกรรมที่คงที่ของดวงอาทิตย์

ความล้มเหลวของฟิลเตอร์ที่คาดไม่ถึง

หนึ่งในบทเรียนที่สำคัญที่สุดจากงานวิจัยนี้คือความล้มเหลวที่ไม่คาดคิด ทีมงานเริ่มต้นด้วยการใช้ เทคนิคการกรองสัญญาณ (filtering) ที่ออกแบบมาเพื่อช่วยให้ AI ระบุรูปแบบที่สำคัญ แต่กลับพบว่ามัน ทำให้ประสิทธิภาพแย่ลง

"ในตอนแรกเราคาดหวังว่ามันจะช่วยแยกรูปแบบในช่วงเวลาสั้นๆ ที่มีประโยชน์ออกมาได้ แต่กลับกลายเป็นว่าฟิลเตอร์กลับเฉลี่ยความผันผวนที่จางมากซึ่งเป็นสัญญาณเตือนที่เร็วที่สุดหายไป" Alexander Kosovichev ผู้ร่วมอำนวยการวิจัยหลักกล่าว Jonas Tirona หัวหน้าผู้เขียน論文 ตั้งข้อสังเกตว่าฟิลเตอร์นั้น "เป็นโทษในเกือบทุกกรณี" — สัญญาณที่มันกรองออกไปนั้นคือสิ่งที่โมเดลต้องการอย่างแม่นยำเพื่อพยากรณ์ว่าบริเวณกัมมันต์จะเกิดขึ้นเมื่อใด

ผลลัพธ์ที่ขัดกับสัญชาตญาณนี้ชี้ให้เห็นว่าโมเดล AI สำหรับการศึกษาฟิสิกส์ดวงอาทิตย์ (heliophysics) สามารถทำงานแตกต่างไปจากที่คาดไว้ได้ ซึ่งจำเป็นต้องมีการตรวจสอบความถูกต้องในทุกขั้นตอนของการประมวลผลข้อมูลอย่างรอบคอบ

ประสิทธิภาพและข้อจำกัดที่สำคัญ

EarlyDetect ในเวอร์ชันที่ดีที่สุดทำคะแนนได้ดีขึ้น 10.6% ในค่า Root Mean Square Error (RMSE) เมื่อเทียบกับโมเดลพื้นฐาน LSTM ก่อนหน้านี้ มันมีประสิทธิภาพเหนือกว่าโมเดล Transformer ทั่วไปและวิธีการมาตรฐานอื่นๆ

อย่างไรก็ตาม นักวิจัยได้เน้นย้ำถึงข้อจำกัดสำคัญหลายประการสำหรับการประยุกต์ใช้ในสภาพอวกาศจริง:

• การแจ้งเตือนผิดพลาด (False alarms): โมเดลบางครั้งพยากรณ์การเกิดบริเวณกัมมันต์ที่ไม่ได้เกิดขึ้นจริง
• การพยากรณ์ที่ช้า (Late predictions): ไม่ใช่ทุกบริเวณกัมมันต์จะถูกตรวจจับได้ทันตามเวลาที่ต้องการ
• ไม่รับประกันการปะทุ: การตรวจจับบริเวณกัมมันต์ไม่ได้หมายความว่ามันจะก่อให้เกิดเปลวสุริยะหรือการปล่อยมวลคอร์ออวัลเสมอไป — โมเดลพยากรณ์การเกิดขึ้นของบริเวณนั้นเท่านั้น ไม่ใช่การปะทุที่ตามมา

เปิดชุดข้อมูลสาธารณะเพื่อการวิจัยในอนาคต

เพื่อเร่งการทำงานในสาขานี้ ทีมวิจัยได้เผยแพร่ SolARED (Solar Active Region Emergence Dataset) ซึ่งเป็นชุดข้อมูลที่พร้อมสำหรับการเรียนรู้ของเครื่อง โดยได้มาจากแผนที่ดิสก์เต็มของความเร็วดอปเปลอร์ สนามแม่เหล็ก และความเข้มข้นของรังสีต่อเนื่องจาก SDO/HMI ชุดข้อมูลประกอบด้วยอนุกรมเวลาของข้อมูลที่ถูกแมปใหม่ ติดตาม และจัดกลุ่มซึ่งระบุลักษณะวิวัฒนาการของพลังงานคลื่นเสียงและพารามิเตอร์ทางกายภาพอื่นๆ ข้อมูลดังกล่าวเปิดให้สาธารณชนเข้าถึงได้ผ่านพอร์ทัลเฉพาะ เพื่อสนับสนุนการวิจัยฟิสิกส์ดวงอาทิตย์และสภาพอวกาศในอนาคต