پیش‌بینی رفتار خورشید همواره یکی از چالش‌های بزرگ اخترفیزیکدانان بوده است؛ ستاره‌ای که با وجود فاصله حدود ۱۵۰ میلیون کیلومتری، می‌تواند تأثیر مستقیمی بر فناوری‌های زمینی بگذارد. حالا پژوهشگران با ترکیب هوش مصنوعی و داده‌های فضایی، به گامی تازه در این مسیر رسیده‌اند و می‌گویند می‌توانند طوفان‌های خورشیدی را ساعتی پیش از شکل‌گیری پیش‌بینی کنند.

مدلی که از آینده خورشید خبر می‌دهد

تیمی از محققان موسسه فناوری نیوجرسی (NJIT) به همراه چند دانشگاه و مرکز تحقیقاتی آمریکایی، مدل هوش مصنوعی جدیدی به نام EarlyDetect توسعه داده‌اند که قادر است ظهور مناطق فعال خورشید را به‌طور میانگین حدود ۹.۲۴ ساعت قبل از وقوع پیش‌بینی کند. نتایج این پژوهش در مجله «تحقیقات ژئوفیزیکی: یادگیری و محاسبات ماشینی» منتشر شده است.

مناطق فعال، نواحی بسیار مغناطیسی روی سطح خورشید هستند که لکه‌های خورشیدی در آنها شکل می‌گیرند و شراره‌های قدرتمند خورشیدی از آنها سرچشمه می‌گیرند. تشخیص زودهنگام این مناطق می‌تواند به معنای هشدار به‌موقع درباره طوفان‌های خورشیدی باشد، پدیده‌ای که می‌تواند ارتباطات ماهواره‌ای، سامانه‌های ناوبری و شبکه‌های انتقال برق را مختل کند.

شنیدن صدای خورشید با امواج صوتی

راز موفقیت این مدل در روشی است که برای رصد خورشید به کار گرفته شده است. محققان از داده‌های رصدخانه دینامیک خورشیدی ناسا (SDO) استفاده کردند تا مدل را برای تشخیص تغییرات ظریف در فعالیت میدان صوتی و مغناطیسی خورشید آموزش دهند؛ تغییراتی که مشاهده مستقیم آنها سال‌ها دشوار بوده است.

این تکنیک بر تحلیل امواج صوتی متکی است که دائماً از درون خورشید عبور می‌کنند. میدان‌های مغناطیسی در حال تقویت، ردپای ضعیفی روی این امواج بر جای می‌گذارند. الکساندر کوزوویچ، یکی از محققان این پروژه، این پدیده را این‌گونه توصیف کرده است: «تشخیص یک تغییر ظریف در ریتم یک ارکستر بسیار پر سر و صدا.»

مدل EarlyDetect با استفاده از معماری Transformer طراحی شده است؛ همان فناوری که پشت مدل‌های زبانی بزرگ مانند ChatGPT قرار دارد، با این تفاوت که به جای متن، روی الگوهای مشاهدات خورشیدی آموزش دیده است.

درس‌گرفتن از یک اشتباه غیرمنتظره

در مسیر توسعه این مدل، تیم تحقیقاتی با یک غافلگیری روبه‌رو شد. آنها ابتدا از تکنیکی استفاده می‌کردند که مانند «فیلتر حذف نویز» عمل می‌کند تا هوش مصنوعی بتواند روی الگوهای مهم داده‌های خورشیدی تمرکز کند؛ اما به‌تدریج متوجه شدند این فیلتر دقیقاً سیگنال‌های ضعیفی را حذف می‌کند که نقش «هشدار اولیه» مناطق فعال را ایفا می‌کنند و در نتیجه دقت مدل به‌طور محسوسی کاهش می‌یابد.

جوناس تیرونا، محقق این پروژه، توضیح می‌دهد: «این فیلتر شبیه حذف نویز هدفون‌هاست که صداهای بلند را حذف می‌کند تا موسیقی را واضح‌تر بشنوید. اما در تقریباً تمام آزمایش‌های ما مضر بود، چون سیگنال‌هایی که حذف می‌کرد دقیقاً همان چیزهایی بودند که مدل برای پیش‌بینی دقیق به آنها نیاز داشت.»

پس از کنار گذاشتن این رویکرد، پژوهشگران مدل را با داده‌های واقعی رصدخانه خورشیدی ناسا آموزش دادند و سپس آن را روی مناطقی از خورشید آزمایش کردند که هرگز در فرایند آموزش دیده نشده بودند. نتیجه چشمگیر بود: مدل در شرایط واقعی توانست ظهور مناطق فعال را به‌طور میانگین ۹.۲۴ ساعت زودتر پیش‌بینی کند و عملکرد بهتری نسبت به مدل‌های پیشین از خود نشان دهد.

کاربردهای عملی و محدودیت‌های کنونی

پژوهشگران امیدوارند این فناوری پیش‌بینی آب‌وهوای فضا را متحول کند و به شرکت‌های ارتباطات ماهواره‌ای و اپراتورهای شبکه برق اجازه دهد پیش از رسیدن طوفان‌های خورشیدی، تدابیر لازم را اتخاذ کنند و خسارت‌ها را به حداقل برسانند.

با این حال، آنها تأکید دارند که این مدل هنوز برای هشدارهای عملیاتی آماده نیست. EarlyDetect همچنان گاهی هشدارهای نادرست صادر می‌کند یا در برخی موارد با تأخیر عمل می‌کند. افزون بر این، ظهور یک منطقه فعال لزوماً به معنای وقوع شراره خورشیدی نیست، بنابراین پیش‌بینی دقیق شدت رویدادها همچنان به پژوهش بیشتری نیاز دارد.

منابع باز برای جامعه علمی

برای تقویت همکاری علمی، این تیم مجموعه داده عمومی SolARED و پلتفرم وب تعاملی SAR Portal را برای کاوش داده‌های مناطق فعال خورشید راه‌اندازی کرده است. این ابزارها منبع مشترکی در اختیار جامعه یادگیری ماشین و فیزیک خورشیدی قرار می‌دهند تا رویکردهای نوین پیش‌بینی توسعه یابد و آزمایش شود و مسیر برای نسل بعدی سامانه‌های هشدار زودهنگام فضایی هموارتر گردد.