Onderzoekers verbonden aan het New Jersey Institute of Technology hebben een innovatief AI-model ontwikkeld dat in staat is om vroege waarschuwingssignalen van zonnestormen op te sporen. De technologie kan deze signalen identificeren nog voordat de verstoringen zichtbaar worden op het oppervlak van de zon, wat een aanzienlijke verbetering betekent voor de voorspelling van het ruimteweer.
Het nauwkeurig voorspellen van zonneactiviteit is een complexe taak voor de wetenschap. Hoewel dergelijke stormen verantwoordelijk zijn voor natuurverschijnselen zoals het noorderlicht, vormen ze een risico voor moderne technologische systemen. Geladen deeltjes die de aarde bereiken, kunnen namelijk ernstige storingen veroorzaken bij grondstations en communicatiesatellieten. Volgens een artikel van universetoday.com is de grootste uitdaging dat de actieve regio's waar deze stormen ontstaan, zich eerst onder het zichtbare oppervlak van de zon ontwikkelen.
Omdat de magnetische structuren op die diepte niet direct geobserveerd kunnen worden, blijven de eerste aanwijzingen vaak onzichtbaar voor traditionele methoden. Dr. Alexander Kosovichev, professor aan het New Jersey Institute of Technology en co-auteur van het onderzoek, vergelijkt het detecteren van deze signalen met het herkennen van een minimale ritmewijziging in een luidruchtig orkest. Het systeem moet namelijk minuscule variaties in akoestische golfpatronen en het magnetisch veld kunnen onderscheiden uit een enorme hoeveelheid ruis, zoals beschreven door .
Om dit probleem op te lossen, hebben de wetenschappers het model 'EarlyDetect' ontwikkeld. De resultaten van dit project zijn gepubliceerd in het Journal of Geophysical Research: Machine Learning and Computation. EarlyDetect is ontworpen om precursor-signalen in actieve zonnegebieden te identificeren door het magnetisch veld en het oppervlak van de zon constant te monitoren. Opvallend is dat het model gebruikmaakt van een 'Transformer-architectuur'. Dit is hetzelfde technische raamwerk dat wordt ingezet bij grote taalmodellen zoals Gemini en ChatGPT, waardoor het systeem getraind kan worden op gigantische datasets om complexe patronen te herkennen.
Voor de training en validatie van de AI maakten de onderzoekers gebruik van gegevens van de Helioseismic and Magnetic Imager (HMI). Dit instrument bevindt zich aan boord van de Solar Dynamics Observatory (SDO) van de NASA. De data van de stelden het model in staat om te leren hoe subtiele veranderingen in de zonneactiviteit eruitzien voordat een storm daadwerkelijk uitbreekt. Tijdens tests op actieve regio's die niet eerder waren geanalyseerd, bleek de AI in staat om waarschuwingssignalen te spotten die bijna negen uur vóór de visuele waarneming al aanwezig waren.
Deze technologische doorbraak kan een grote impact hebben op hoe telecombedrijven en ruimtevaartorganisaties omgaan met zonneactiviteit. Een extra waarschuwingstijd van negen uur biedt essentiële ruimte om preventieve maatregelen te treffen ter bescherming van kritieke infrastructuur op aarde en satellieten in de ruimte. De succesvolle toepassing van Transformer-architecturen in de astronomie suggereert dat machine learning een cruciale rol zal spelen in het begrijpen van de zonne-dynamiek. Zoals vermeld door , markeert EarlyDetect een belangrijke stap richting een accurater en tijdiger waarschuwingssysteem voor zonne-uitbarstingen.