Учёные разработали модель искусственного интеллекта, способную обнаруживать ранние признаки формирования активных областей на Солнце ещё до того, как они становятся видимыми на его поверхности. В среднем новая система выявляла предвестники появления таких областей примерно за 9,24 часа до их выхода на поверхность.
Речь идёт не о прямом предсказании солнечной вспышки или выброса корональной массы. Модель определяет более раннюю стадию процесса — формирование активной области, связанной с появлением сильных магнитных полей и солнечных пятен. Именно такие области впоследствии могут стать источниками мощных солнечных извержений, хотя далеко не каждая из них обязательно производит сильную вспышку или выброс вещества.
Результат особенно интересен потому, что первые признаки формирования активной области возникают под видимой поверхностью Солнца. Наблюдать саму магнитную структуру непосредственно в этот момент невозможно, однако её появление оставляет слабые следы в магнитном поле и акустических колебаниях солнечного вещества. Новый алгоритм учится распознавать именно эти малозаметные изменения.
Активная область появляется раньше солнечного пятна
Солнечные пятна хорошо известны даже по обычным изображениям Солнца. Это относительно тёмные участки его видимой поверхности, связанные с сильными магнитными полями.
Однако солнечное пятно не возникает мгновенно.
Формирование новой активной области начинается глубже, ещё до того, как её можно увидеть непосредственно на поверхности. Магнитное поле поднимается из внутренних слоёв Солнца и постепенно приближается к фотосфере. Этот процесс занимает несколько часов, а полное развитие активной области может продолжаться от одного до нескольких дней.
Поэтому момент появления заметного солнечного пятна — это уже не самое раннее событие в развитии области.
Если научиться обнаруживать признаки процесса до появления пятна, можно получить дополнительное время для оценки того, что происходит на Солнце.
Почему ранние признаки так трудно обнаружить
Главная проблема заключается в том, что исследователи не могут непосредственно увидеть магнитную структуру, пока она находится под поверхностью Солнца.
При этом солнечная поверхность постоянно находится в движении.
На ней происходят многочисленные процессы, создающие колебания и изменения яркости. На фоне этой сложной картины ранний сигнал формирующейся активной области оказывается очень слабым.
Исследователи сравнивают задачу с поиском небольшого изменения ритма в чрезвычайно сложном и шумном сигнале.
Именно здесь методы машинного обучения получают преимущество. Алгоритм может анализировать огромное количество данных и искать сочетания признаков, которые трудно выделить обычными методами обработки.
Солнце можно буквально «слушать»
Одним из главных источников информации для новой модели стали акустические колебания Солнца.
Солнце не является твёрдым телом. Это огромный шар плазмы, внутри которого постоянно распространяются волны.
Изменения в движении вещества и магнитных полях влияют на характер этих колебаний.
Астрономы уже давно используют гелиосейсмологию — исследование солнечных колебаний — для изучения процессов, происходящих внутри Солнца.
Подобно тому как сейсмология позволяет исследовать внутреннее строение Земли по распространению сейсмических волн, гелиосейсмология помогает получать информацию о внутренних слоях Солнца по его колебаниям.
В данном случае этот подход используется для поиска очень ранних признаков формирующейся активной области.
Данные поступают с Solar Dynamics Observatory
Для обучения и проверки модели исследователи использовали наблюдения космической обсерватории NASA Solar Dynamics Observatory, или SDO.
Одним из основных инструментов SDO является Helioseismic and Magnetic Imager — HMI.
Он получает изображения магнитного поля и движения вещества на поверхности Солнца.
Измерения, используемые для получения акустических карт, проводятся с высокой частотой: исходные наблюдения Doppler velocity регистрируются примерно каждые 45 секунд.
Такой массив данных позволяет отслеживать изменения солнечной активности с гораздо большей детализацией, чем отдельные снимки через большие промежутки времени.
Для новой системы данные были преобразованы в карты акустической активности и магнитного поля.
Затем алгоритм анализировал последовательность таких карт и искал признаки, которые предшествуют появлению новой активной области.
Как работает EarlyDetect
Разработанная исследователями система получила название EarlyDetect.
Она использует архитектуру Transformer — тот же общий класс нейросетевых моделей, который применяется в современных системах обработки последовательностей, включая большие языковые модели.
Однако задачи принципиально разные.
Языковая модель анализирует последовательность слов или токенов и учится находить закономерности в языке.
EarlyDetect анализирует последовательности наблюдений Солнца.
Для алгоритма вместо текста выступают карты акустической активности, магнитного поля и другие характеристики солнечной поверхности.
Модель должна определить, есть ли в последовательности слабые признаки того, что в определённом месте Солнца формируется новая активная область.
Неожиданная проблема с фильтрацией данных
Одним из наиболее интересных результатов работы стала проблема, обнаруженная во время разработки модели.
Исследователи первоначально использовали фильтрацию, чтобы облегчить алгоритму поиск значимых закономерностей.
Такая обработка должна была убрать несущественные быстрые колебания и оставить более выраженные особенности сигнала.
Однако произошло обратное.
После фильтрации качество прогнозов ухудшилось.
Причина оказалась в том, что именно слабые колебания, которые фильтр удалял, содержали информацию о приближающемся появлении активной области.
Это важный результат не только для конкретной модели.
Он показывает, что при анализе сложных физических процессов попытка удалить «шум» может одновременно удалить и слабый полезный сигнал.
Почему слабый сигнал оказался полезным
Обычная логика обработки данных предполагает, что более сильный и выраженный сигнал легче использовать для прогноза.
Но в данном случае наиболее ранняя информация оказалась очень слабой.
Когда магнитная структура начинает подниматься к поверхности, изменения в окружающей плазме ещё невелики.
Поэтому ранний сигнал может выглядеть как незначительная флуктуация.
Для человеческого анализа такой участок данных легко принять за обычные колебания солнечной активности.
Нейросеть, обученная на большом количестве примеров, может найти статистическую связь между такими изменениями и последующим появлением активной области.
Что именно предсказывает модель
Здесь важно не смешивать несколько разных явлений солнечной активности.
EarlyDetect прогнозирует появление активной области.
Это не то же самое, что прогноз солнечной вспышки.
Активная область может сформироваться и при этом не произвести мощного извержения.
Солнечная вспышка — это внезапный выброс большого количества энергии в виде электромагнитного излучения.
Выброс корональной массы — другое явление, при котором большое количество плазмы выбрасывается из солнечной короны в межпланетное пространство.
Новая система не сообщает заранее, что через несколько часов обязательно произойдёт вспышка определённого класса или направленный на Землю выброс корональной массы.
Она определяет более раннюю стадию солнечного процесса.
Почему появление активной области всё равно важно
Несмотря на это ограничение, раннее обнаружение имеет практическое значение.
Активные области являются местами, где возникают солнечные пятна и где может происходить мощная магнитная активность.
Чем раньше специалисты узнают о появлении новой активной области, тем больше времени остаётся для её последующего наблюдения и оценки.
Если область начинает быстро развиваться и приобретает сложную магнитную структуру, вероятность мощных солнечных событий может возрастать.
Поэтому дополнительное время для наблюдений может улучшить прогноз космической погоды.
Что такое космическая погода
Космической погодой называют состояние околоземного космического пространства и изменения, вызванные активностью Солнца.
Солнечные вспышки и выбросы корональной массы способны воздействовать на магнитосферу Земли.
Сильные события могут вызывать геомагнитные бури.
Во время таких явлений изменяется состояние магнитного поля Земли и верхних слоёв атмосферы.
Это может приводить к полярным сияниям, изменениям условий распространения радиосигналов и другим эффектам.
Особенно сильные геомагнитные возмущения способны создавать проблемы для некоторых технологических систем, включая спутники, радиосвязь и энергетическую инфраструктуру.
Поэтому повышение точности прогнозирования солнечной активности имеет значение далеко за пределами фундаментальной науки.
Почему несколько дополнительных часов могут иметь значение
Для некоторых космических и наземных систем предупреждение за несколько часов может быть полезным.
Операторы спутников могут учитывать прогнозируемое ухудшение космической погоды при планировании операций.
Системы связи могут подготовиться к возможным нарушениям.
Энергетические компании могут получить дополнительное время для оценки рисков, связанных с геомагнитными возмущениями.
При этом эффективность такого предупреждения зависит от того, насколько точно можно определить дальнейшее развитие активной области.
Само обнаружение области ещё не говорит, что через несколько часов обязательно произойдёт сильная солнечная буря.
Средняя точность по времени составила 9,24 часа
После обучения EarlyDetect проверили на активных областях, которые модель ранее не видела.
Лучший вариант системы обнаруживал предшествующие признаки в среднем за 9,24 часа до того, как активная область становилась видимой.
Это существенно лучше результатов стандартной версии Transformer и предыдущего эталонного метода, использованного для сравнения.
Среднее значение не означает, что каждая активная область будет обнаруживаться ровно за 9 часов 14 минут.
Для отдельных событий время предупреждения будет отличаться.
Кроме того, алгоритм иногда выдаёт ложные тревоги или сообщает о событии позже, чем хотелось бы.
Поэтому полученный результат следует рассматривать как показатель возможностей метода, а не как готовую систему оперативного прогнозирования.
Почему модель пока нельзя использовать как систему предупреждения
Исследователи подчёркивают, что EarlyDetect ещё не готов к работе в режиме реального времени.
Алгоритм обучался на уже известных событиях появления активных областей.
Как и другие модели машинного обучения, он может ошибаться при встрече с ситуациями, которые отличаются от данных, использованных во время обучения.
У него уже наблюдаются ложные предупреждения и случаи запаздывающего прогноза.
Кроме того, необходима проверка на значительно большем количестве солнечных событий.
Поэтому нынешний результат — исследовательский этап, а не готовый сервис космической погоды.
Чем больше данных, тем надёжнее проверка
Солнце проходит через циклы изменения активности.
Количество солнечных пятен и активных областей меняется со временем.
Поэтому алгоритм необходимо проверять на событиях, относящихся к различным периодам солнечной активности.
Особенно важно убедиться, что он работает не только на тех типах событий, которые преобладали в обучающей выборке.
Для этого нужны большие архивы наблюдений и независимые тестовые наборы данных.
Именно поэтому исследователи одновременно представили открытый набор данных, предназначенный для дальнейшей работы научного сообщества.
Первый открытый набор данных для этой задачи
Команда создала Solar Active Region Emergence Dataset, сокращённо SolARED.
Это общедоступный набор наблюдений активных областей, собранных на основе данных Solar Dynamics Observatory.
Его задача — предоставить исследователям единый массив информации для разработки и сравнения методов прогнозирования появления активных областей.
Для машинного обучения такие наборы особенно важны.
Если каждая исследовательская группа использует собственные данные и собственные критерии оценки, сравнивать результаты значительно сложнее.
Общий набор позволяет тестировать разные алгоритмы на сопоставимых данных.
Создан и специальный портал
Помимо набора данных исследователи представили Solar Active Region Portal — интерактивную веб-платформу для работы с информацией об активных областях Солнца.
Таким образом, результаты проекта рассчитаны не только на дальнейшее развитие самой EarlyDetect.
Открытые данные могут использоваться другими специалистами для создания альтернативных моделей, поиска дополнительных признаков и независимой проверки полученных результатов.
Это особенно важно для области, где методы искусственного интеллекта пока используются не так широко, как в некоторых других направлениях науки.
Искусственный интеллект не заменяет физику Солнца
В данном исследовании нейросеть не создаёт физическую модель солнечного вещества в традиционном смысле.
Она учится находить закономерности непосредственно в наблюдательных данных.
Это принципиальное различие.
Физическая модель пытается описать механизм происходящего процесса на основе законов физики.
Машинное обучение может обнаружить статистическую связь между определёнными признаками и будущим событием, даже если эта связь не была заранее очевидна исследователям.
В данном случае алгоритм обнаруживает слабые характеристики солнечных данных, которые предшествуют появлению активной области.
Однако это не означает, что нейросеть самостоятельно объяснила физический механизм формирования магнитного поля.
Почему обнаружение предвестников особенно ценно
В прогнозировании солнечной активности существует фундаментальная проблема.
Многие события становятся очевидными только после того, как процесс уже начался.
Когда солнечное пятно хорошо видно на поверхности, специалисты уже знают, что активная область существует.
Гораздо полезнее обнаружить её раньше.
Если первые изменения действительно появляются в акустической активности и магнитном поле до появления пятна, то эти данные могут стать дополнительным источником информации для прогнозов.
Именно на этом основан подход EarlyDetect.
Солнце постоянно меняется
Для понимания задачи важно помнить, что Солнце не является статичным шаром.
Его поверхность постоянно движется, на ней возникают и исчезают магнитные структуры, распространяются волны, меняется распределение плазмы.
Солнечное магнитное поле также постоянно эволюционирует.
На этом фоне необходимо обнаружить событие, которое ещё не стало заметным визуально.
Поэтому алгоритму приходится анализировать не отдельную фотографию, а последовательность наблюдений.
Именно архитектура Transformer хорошо подходит для задач, где важен порядок и взаимосвязь событий во времени.
Что даёт анализ последовательности
Допустим, отдельное изменение акустической активности само по себе ничего не говорит.
Но если похожие изменения появляются в определённой последовательности, а спустя несколько часов в соответствующем месте возникает активная область, такая последовательность становится информативной.
Нейросеть может изучать подобные временные зависимости.
Она анализирует не только значение отдельного параметра, но и то, как он менялся до события.
Это одна из причин, по которой методы обработки последовательностей подходят для прогнозирования процессов, развивающихся во времени.
Связь с предыдущими попытками прогнозировать солнечную активность
Исследователи уже используют машинное обучение в различных задачах гелиофизики.
Нейросети применяются для анализа солнечных изображений, прогнозирования солнечного ветра и других процессов.
Но раннее обнаружение активной области имеет особую сложность.
Сама область ещё не видна непосредственно.
Поэтому алгоритм должен извлекать информацию из косвенных признаков.
В новой работе такими признаками стали прежде всего акустическая активность и магнитные измерения.
Что произойдёт при успешном развитии метода
Если будущие тесты подтвердят результат и уменьшат количество ложных тревог, подобная технология может стать одним из инструментов оперативного мониторинга Солнца.
Система могла бы непрерывно анализировать новые данные SDO и других космических обсерваторий.
При обнаружении признаков формирования активной области она могла бы автоматически формировать предупреждение для специалистов.
После этого область можно было бы наблюдать более интенсивно и использовать дополнительные методы для оценки её магнитной структуры.
Такой многоступенчатый подход был бы гораздо полезнее, чем попытка заставить одну нейросеть непосредственно предсказывать каждую солнечную вспышку.
От активной области до солнечной бури — длинная цепочка событий
Между обнаружением активной области и воздействием солнечной бури на Землю существует несколько этапов.
Сначала формируется магнитно активная область.
Затем она может продолжать развиваться.
В некоторых случаях происходят магнитные перестройки, сопровождающиеся солнечными вспышками.
Иногда одновременно или позднее возникает выброс корональной массы.
Если выброс направлен в сторону Земли, он может достичь нашей планеты и вызвать геомагнитное возмущение.
Поэтому раннее обнаружение активной области является только первым звеном потенциальной системы прогнозирования.
Но чем раньше начинается наблюдение, тем больше информации можно собрать на следующих этапах.
Почему нельзя обещать прогноз солнечной бури за девять часов
Заголовки о способности искусственного интеллекта «предсказывать солнечные вспышки за девять часов» были бы слишком сильным упрощением.
Фактический результат существенно уже.
EarlyDetect в среднем обнаруживает признаки появления активной области за 9,24 часа до её выхода на видимую поверхность.
Это не означает, что система знает, произойдёт ли в этой области вспышка.
И тем более она не определяет заранее, будет ли выброс корональной массы направлен на Землю.
Само исследование прямо подчёркивает это ограничение.
Но даже такое предупреждение может стать важным
Для космической погоды дополнительные часы наблюдений имеют практическую ценность.
После обнаружения новой области специалисты могут отслеживать её развитие, оценивать магнитную конфигурацию и искать признаки повышения активности.
Получается своеобразная цепочка раннего предупреждения.
Первый алгоритм обнаруживает область ещё до появления пятна.
Затем другие методы оценивают её свойства.
Если появляются признаки потенциально опасного события, прогноз уточняется.
Такой подход потенциально способен повысить надёжность всей системы предупреждения.
Что будет дальше
Исследователи намерены расширять проверку EarlyDetect на большем количестве солнечных событий.
Необходимо определить, насколько хорошо модель переносит данные, отличающиеся от обучающей выборки, и насколько часто она выдаёт ложные сигналы.
Также требуется понять, какие именно особенности акустической активности и магнитного поля являются наиболее информативными.
Отдельное направление — создание более реалистичной системы оперативного прогнозирования, способной работать непосредственно с поступающими данными.
Только после таких испытаний можно будет оценивать пригодность метода для практического мониторинга космической погоды.
Новый взгляд на ранние стадии солнечной активности
Самое важное в этой работе — не использование искусственного интеллекта само по себе.
Главный результат заключается в том, что наблюдения Солнца содержат информацию о формировании активной области ещё до того, как она становится очевидной на видимой поверхности.
Ранее такие слабые признаки было чрезвычайно трудно выделить.
Машинное обучение позволило обнаружить закономерности в сложной последовательности акустических и магнитных данных.
Полученный результат показывает, что Солнце может предоставлять более ранние предупреждения о своей активности, чем позволяют обычные наблюдения солнечных пятен.
Перспектива для прогноза космической погоды
В настоящее время прогнозирование солнечной активности остаётся сложной задачей.
Учёные хорошо умеют наблюдать уже возникшие явления, но значительно труднее предсказывать их появление заранее.
EarlyDetect предлагает один из возможных способов расширить время предупреждения: искать событие ещё до того, как оно станет видимым.
Среднее опережение в 9,24 часа пока нельзя считать готовым прогнозом солнечных бурь. Модель ещё не работает в реальном времени, иногда ошибается и требует проверки на значительно большем наборе событий.
Но если дальнейшие испытания подтвердят её способность надёжно обнаруживать ранние признаки формирования активных областей, искусственный интеллект может стать новым инструментом мониторинга Солнца.
В таком случае наблюдение за космической погодой будет начинаться не с момента появления солнечного пятна, а ещё тогда, когда будущая активная область остаётся скрытой под поверхностью Солнца.
Источники:
Статья создана по материалам Phys.Org
