پیش‌بینی انفجارهای خورشیدی؛ هوش مصنوعی زنگ خطر را به صدا درمی‌آورد

به گزارش هفت صبح پیش از آنکه یک لکه خورشیدی سطح مرئی خورشید را تیره کند، فعالیت‌های مغناطیسیِ سازنده آن، در لایه‌های زیرین و دور از چشم در حال شکل‌گیری است. این تغییرات اولیه بسیار ضعیف هستند، اما محققان می‌گویند هوش مصنوعی اکنون قادر است آن‌ها را ساعت‌ها پیش از نمایان شدنِ یک منطقه فعال جدید، تشخیص دهد.

مدلی موسوم به EarlyDetect، توانسته است نشانه‌های ظهور مناطق فعال خورشیدی را به‌طور میانگین نزدیک به ۹ ساعت زودتر از زمان ظهور آن‌ها شناسایی کند. این سیستم توسط تیمی از پژوهشگران به رهبری مؤسسه فناوری نیوجرسی (NJIT) توسعه یافته و یافته‌های آن در تاریخ ۱۴ اوت در نشریه Journal of Geophysical Research: Machine Learning and Computation منتشر شده است.

مدل EarlyDetect با جستجو در الگوهای پیش‌درآمد، هم در فعالیت‌های صوتی (آکوستیک) و هم در میدان مغناطیسی خورشید، به دنبال سیگنال‌هایی می‌گردد که دانشمندان پیش از این در شناسایی دقیق آن‌ها با دشواری روبرو بودند.

جناس تایرونا، پژوهشگر مقطع کارشناسی NJIT و نویسنده مسئول این مطالعه، این مدل را در همکاری با دانشمندان علوم کامپیوتر، فیزیکدانان خورشیدی از NJIT و همکارانی از دانشگاه پرینستون و مرکز تحقیقاتی ایمز ناسا (NASA Ames) توسعه داده است. در این تحقیق از مشاهدات ثبت‌شده توسط «رصدخانه دینامیک خورشیدی ناسا» (SDO) استفاده شده است.

تایرونا، که به‌زودی دانشجوی سال آخر علوم کامپیوتر و پژوهشگر دانشکده افتخاری آلبرت دورمان خواهد بود، می‌گوید: «ارزشمندترین نکته این تحقیق این است که نشان می‌دهد چگونه می‌توان از یادگیری ماشین برای پیش‌بینی زمان ظهور مناطق فعال خورشیدی استفاده کرد. این هشدار زودهنگام می‌تواند به شرکت‌های ارتباطات ماهواره‌ای یا شرکت‌های مدیریت شبکه برق اجازه دهد تا خود را آماده کرده و احتمالاً آسیب‌های ناشی از طوفان‌های خورشیدی را کاهش دهند.»

ارتعاشات ضعیف خورشیدی، فعالیت‌های پنهان را آشکار می‌کنند

مناطق فعال، نواحی با فعالیت مغناطیسی شدید هستند که لکه‌های خورشیدی در آن‌ها شکل می‌گیرند. ظهور این مناطق چندین ساعت طول می‌کشد، در حالی که تکامل کامل آن‌ها ممکن است بین یک تا چندین روز زمان ببرد.

پیش از آنکه این مناطق به سطح برسند، میدان‌های مغناطیسیِ در حال برخاسته، امواج صوتی که در میان خورشید حرکت می‌کنند را به‌طور ظریف تغییر می‌دهند. دانشمندان می‌توانند این ارتعاشات را با استفاده از روش «هلئوسیزمولولوژی» (Helioseismology) مطالعه کنند؛ روشی که با بررسی امواج درون خورشید، فرآیندهایی را که مستقیماً قابل مشاهده نیستند، بررسی می‌کند.

EarlyDetect این سیگنال‌ها را از طریق تحلیل نقشه‌های ساعتی قدرت صوتی و همزمان با اندازه‌گیری‌های میدان مغناطیسی خورشیدی (برگرفته از داده‌های SDO) شناسایی می‌کند.

الکساندر کوسوویچ، استاد برجسته فیزیک در NJIT و از پژوهشگران اصلی این پروژه، می‌گوید: «دشواری اصلی اینجاست که یک منطقه فعال، در زیر سطح مرئی خورشید شروع به توسعه می‌کند، جایی که ما نمی‌توانیم ساختار مغناطیسی را مستقیماً مشاهده کنیم. در عوض، ما به دنبال تغییرات بسیار کوچک در میدان مغناطیسی و در الگوی امواج صوتی هستیم که مدام در حال حرکت در سراسر خورشید هستند. این کار دقیقاً شبیه به تشخیص یک تغییر ریتم بسیار جزئی در یک ارکستر بسیار پرصدا است.»

حذف نویز، باعث بدتر شدن پیش‌بینی‌ها شد

معماری مدل EarlyDetect بر پایه «ترانسفورمر» (Transformer) بنا شده است؛ همان فناوری هوش مصنوعی که در مدل‌های زبانی بزرگ مانند ChatGPT استفاده می‌شود. با این تفاوت که این مدل به جای یادگیری الگوهای آماری در زبان، به دنبال الگوهایی در اندازه‌گیری‌های خورشیدی می‌گردد که پیش از تغییرات فعالیت خورشیدی رخ می‌دهند.

کوسوویچ توضیح می‌دهد: «این موضوع ما را بسیار شگفت‌زده کرد. ما در ابتدا انتظار داشتیم که استفاده از روش‌های فیلتر کردنِ مشاهدات، به مدل کمک کند تا الگوهای مفیدِ کوتاه‌مدت را بهتر شناسایی کند. اما آزمایش‌ها نشان داد که دقیقاً عکس این موضوع است. فیلتر کردن مشاهدات در واقع کیفیت پیش‌بینی‌ها را کاهش داد، زیرا باعث می‌شد همان نوسانات بسیار ضعیفی که اولین هشدارها را می‌دادند، حذف و میانگین‌گیری شوند.»

او می‌افزاید: «این کار تقریباً مثل حذف نویز (Noise Canceling) است؛ معمولاً نویزهای بلند را حذف می‌کنیم تا روند کلی را بهتر ببینیم. اما دریافتیم که در تقریباً تمام موارد، این کار مضر بود. سیگنال‌هایی که فیلتر حذف می‌کرد، در واقع برای کمک به مدل جهت پیش‌بینی زمان ظهور یک منطقه فعال، بسیار حیاتی بودند.»

نتیجه‌گیری و چشم‌انداز آینده

پس از آموزش با داده‌های ناسا، مدل EarlyDetect در آزمایش‌های عملی، توانست الگوهای پیش‌درآمد را به‌طور میانگین ۹.۲۴ ساعت زودتر از زمان ظاهر شدن مناطق فعال شناسایی کند. عملکرد این مدل از مدل‌های استاندارد ترانسفورمر و روش‌های معیار قبلی فراتر رفته است.

با این حال، محققان هشدار می‌دهند که این سیستم هنوز برای استفاده عملی و لحظه‌ای (Real-time) آماده نیست. مدل هنوز ممکن است هشدارهای اشتباه (False Alarms) صادر کند یا پیش‌بینی‌هایی ارائه دهد که با تأخیر به دست باشند. همچنین، شناسایی یک منطقه فعال لزوماً به معنای وقوع یک سوختگی یا انفجار بزرگ خورشیدی در همان لحظه نیست.

با این حال، این دستاورد گام بسیار مهمی در جهت استفاده از هوش مصنوعی برای پیش‌بینی وضعیت آب‌وهوای فضایی و محافظت از زیرساخت‌های حیاتی زمین محسوب می‌شود.