یک هوش مصنوعی جدید برای پیش بینی طوفان های خورشیدی

یک هوش مصنوعی جدید برای پیش بینی طوفان های خورشیدی

۱۴۰۴-۰۵-۳۱
0 نظرات فرشاد واحدی

9 دقیقه

یک هوش مصنوعی جدید برای پیش‌بینی طوفان‌های خورشیدی

شرکت‌های IBM و ناسا از «Surya» رونمایی کرده‌اند؛ یک مدل بنیادین هوش مصنوعی که نخستین نمونه از نوع خود است و برای پیش‌بینی فوران‌های خورشیدی پرانرژی و دیگر پدیده‌های هواشناسی فضایی با سرعت و دقت بی‌سابقه طراحی شده است. Surya تصاویر خام با فواصل زمانی کوتاه را از رصدخانه دینامیک خورشیدی ناسا (SDO) مصرف می‌کند و پیش‌بینی‌های کوتاه‌مدت از دینامیک خورشیدی ارائه می‌دهد، از جمله احتمال وقوع فوران‌ها، رفتار باد خورشیدی و تغییرات طیف فرابنفش شدید (EUV). این سامانه متن‌باز و در دسترس عمومی است و همراه آن SuryaBench عرضه شده است؛ مجموعه‌ای گزینش‌شده از داده‌ها و معیارها برای تسریع پژوهش‌های هلیوفیزیک و پیش‌بینی عملی هواشناسی فضایی.

چرا پیش‌بینی دقیق فوران‌های خورشیدی اهمیت دارد

هواشناسی فضایی—که توسط فوران‌های خورشیدی و پرتاب‌های جرمی تاجی (CME) هدایت می‌شود—با گسترش فعالیت انسانی در مدار و وابستگی بیشتر جامعه به زیرساخت‌های مبتنی بر ماهواره، خطرات فزاینده‌ای ایجاد می‌کند. فوران‌ها و CMEهای بزرگ می‌توانند ماهواره‌ها را آسیب بزنند، سیگنال‌های رادیویی و GPS را که در ناوبری هوایی و دریایی استفاده می‌شوند مختل کنند، جریان‌های القاشده ژئومغناطیسی ایجاد کنند که شبکه‌های برق را تهدید می‌کند و مواجهه با تشعشعات را برای فضانوردان و خدمه پروازهای بلندارتفاع افزایش دهند. ارتقای پیش‌بینی‌های کوتاه‌مدت فعالیت خورشیدی به اپراتورها و برنامه‌ریزان ماموریت زمان لازم را می‌دهد تا سیستم‌های آسیب‌پذیر را خاموش کنند، فضاپیماها را دوباره جهت‌دهی کنند، فضانوردان را محافظت نمایند و اثرات زنجیره‌ای بر ارتباطات و شبکه‌های برق را کاهش دهند.

پیش‌بینی هوای زمینی خود چالش‌برانگیز است؛ پیش‌بینی طوفان‌های خورشیدی پیچیدگی‌های دیگری اضافه می‌کند. نور و سیگنال‌های الکترومغناطیسی ناشی از رویدادهای فوران با سرعت نور حرکت می‌کنند، اما یک تأخیر مشاهداتی وجود دارد: فوتون‌های یک فوران حدود هشت دقیقه طول می‌کشد تا به زمین برسند و این آگاهی بلادرنگ را محدود می‌کند. مدل‌های پیش‌بینی باید از این رو شرایط در حال تحول بر سطح خورشید را استنتاج کنند و فوران‌ها را قبل از آن‌که اثراتشان در فضای بین‌سیاره‌ای منتشر شود پیش‌بینی نمایند.

پیش‌زمینه‌ علمی: ابزارها، فیزیک و داده‌ها

رصدخانه دینامیک خورشیدی (SDO) بیش از یک دهه است که به طور پیوسته خورشید را رصد می‌کند و تصاویر تمام‌سطحی را هر ۱۲ ثانیه در باندهای طول موجی مختلف ثبت می‌کند. دو ابزار اصلی SDO ورودی‌های Surya را تأمین می‌کنند:

واحد تصویربرداری جوی (AIA)

AIA اتمسفر بالایی خورشید (تاج) را در چند کانال EUV و UV ثبت می‌کند. هر کانال تابش در دماها و ارتفاع‌های مختلف جو خورشیدی را نگاشت می‌کند—و در کنار هم ساختارهای پلاسما، رویدادهای گرمایش و رفتارهای انفجاری را در میدان دیدی در حدود ۱.۳ قطر خورشیدی آشکار می‌سازند.

تصویربردار هلیوسایکال و مغناطیسی (HMI)

HMI میدان‌های مغناطیسی فوتوسفر و نوسانات هلیوسایکال در سطح قابل رؤیت خورشید را اندازه‌گیری می‌کند. تحول میدان مغناطیسی—ظهور، حذف و تاب خوردن خطوط میدان—رانش اصلی فوران‌ها و CMEها است، بنابراین داده‌های برداری مغناطیسی HMI برای مدل‌سازی پیش‌بینی ضروری هستند.

Surya هشت کانال AIA و پنج محصول HMI را ترکیب می‌کند تا نمایی چندلایه از فعالیت خورشیدی بسازد. مدل برای شناسایی الگوها در تابش پلاسما، توپولوژی مغناطیسی و دینامیک سطح که پیش‌درآمد رویدادهای پُرانرژی هستند، آموزش داده شده است.

مدل Surya: معماری، آموزش و قابلیت‌ها

Surya یک مدل بنیادین متن‌باز با حدود ۳۶۰ میلیون پارامتر است که برای یادگیری نمایش فشرده و دارای معنی فیزیکی از رفتار خورشیدی طراحی شده است. پژوهشگران یک بازه نه‌ساله از داده‌های هماهنگ‌شده SDO را برای آموزش سیستم انتخاب کردند: تصاویر و محصولات مغناطیسی پیش‌پردازش و هم‌خط شدند تا مدل بتواند همبستگی‌های بین‌کانالی و دینامیک‌های چندزمانه را بیاموزد.

وظیفه آموزشی از ورودی تصاویر پی‌درپی استفاده می‌کرد و مدل را ملزم می‌کرد مشاهدات SDO را یک ساعت آینده پیش‌بینی کند. در طول توسعه، تیم‌ها با معماری‌ها و استراتژی‌های هم‌هماهنگ‌سازی داده‌ها آزمایش کردند؛ یکی از یافته‌های قابل توجه این بود که Surya ویژگی‌های خاص خورشیدی—مانند چرخش متفاوت (سرعت بالاتر در استوای نسبت به قطبین)—را بهتر از طریق خود داده‌ها یاد گرفته تا قواعد کدنویسی‌شده صلب.

قابلیت‌های فنی:

  • پیش‌بینی کوتاه‌مدت: Surya تصاویر خورشیدی، تحول مغناطیسی و کمیت‌های مشتق‌شده مانند طیف‌های EUV و ویژگی‌های مرتبط با باد خورشیدی را پیش‌بینی می‌کند.
  • پیش‌بینی فوران: در آزمایش‌ها مدل توانست نواحی فعال را که احتمال تولید فوران در یک ساعت آینده دارند نشان‌گذاری کند و تحت شرایط تصویری خاص تا دو ساعت پیش‌بینی‌های مفیدی تولید نماید.
  • پتانسیل عملیاتی: استخراج خودکارِ ویژگی‌ها از پتابایت تصاویر SDO سریع‌تر از انسان، امکان اعلان‌های تقریباً بلادرنگ و گردش‌کارهای عملیاتی پایین‌دستی را فراهم می‌کند.

سازندگان Surya در آزمایش‌های خود بهبود تقریباً ۱۶٪ در عملکرد پیش‌بینی فوران نسبت به روش‌های موجود گزارش دادند. نتایج و جزئیات مدل در ۱۸ اوت در arXiv منتشر شد؛ مقاله در حال حاضر پیش‌چاپ است و تحت داوری همتا قرار دارد.

Juan Bernabé-Moreno، مدیر پژوهش IBM در اروپا برای بریتانیا و ایرلند گفت: "از سال ۲۰۲۳ با ناسا در این مسیر بوده‌ایم تا مرزهای فناوری را جابه‌جا کنیم و مدل‌های بنیادی پیشگامانه‌ای برای درک بی‌سابقه‌ای از سیاره زمین ارائه دهیم." او افزود: "با Surya نخستین مدل بنیادینی را ساخته‌ایم که مستقیم به خورشید نگاه می‌کند و حالات آن را پیش‌بینی می‌کند."

Kathy Reeves، فیزیک‌دان خورشیدی در مرکز اخترفیزیک هاروارد–اسمیتسونین که در این مطالعه مشارکت نداشت، گفت: "این راه بسیار خوبی برای تحقق پتانسیل این داده‌ها است. استخراج ویژگی‌ها و رویدادها از پتابایت داده کار پرزحمتی است و اکنون می‌توانیم آن را خودکار کنیم."

آزمایش، نتایج و پیامدهای عملیاتی

در وظایف معیارسنجی، Surya تصاویر یک‌ساعته آینده و پیش‌بینی‌های احتمالاتی فوران را تولید کرد که با یا بهتر از تکنیک‌های پیشرفته مطابقت داشت. توانایی مدل در ترکیب ورودی‌های چندکاناله (باندهای EUV از AIA و مگنتوگرام‌های HMI) به آن اجازه می‌دهد پیش‌درآمدهای ظریف—مانند برش مغناطیسی، ظهور شار و گرمایش سریع تاجی—که غالباً پیش از انفجارات پرانرژی رخ می‌دهند را شناسایی کند.

مزایای عملیاتی شامل موارد زیر است:

  • زمان هشدار بیشتر برای اپراتورهای ماهواره و کنترل مأموریت تا سیستم‌ها را به حالت‌های ایمن منتقل کنند.
  • بهبود پیش‌بینی ریسک تشعشع برای مأموریت‌های سرنشین‌دار و هوانوردی بلندارتفاع.
  • هشدارهای زودهنگام‌تر برای شرکت‌های برق و سرویس‌های وابسته به GNSS تا برای اثرات ژئومغناطیسی احتمالی آماده شوند.

تیم Surya را به‌صورت کد متن‌باز در GitHub منتشر کرده و یک نسخه را روی Hugging Face میزبانی نموده‌اند، همراه با SuryaBench: مجموعه‌ای مستندسازی‌شده از داده‌ها و معیارهای ارزیابی که برای کمک به دیگر پژوهشگران جهت بازتولید نتایج و توسعه کار طراحی شده است.

دیدگاه کارشناسی

دکتر النا مورالس، یک هلیوفیزیک‌دان ارشد و تحلیل‌گر مأموریت ساختگی (دیدگاه کارشناسی)، اظهار می‌دارد: "Surya تحولی در نحوه تبدیل جریان‌های مشاهده‌ای پیوسته به پیش‌بینی‌های قابل اقدام به شمار می‌آید. با یادگیری مستقیم از تصاویر چندطولی‌موج و محصولات مغناطیسی، مدل می‌تواند پیش‌درآمدهایی را شناسایی کند که استخراج آن‌ها با مهندسی ویژگی دستی دشوار است. انتشار متن‌باز و SuryaBench برای ایجاد اعتماد جامعه، اعتبارسنجی عملکرد در چرخه‌های مختلف خورشیدی و یکپارچه‌سازی پیش‌بینی‌ها در خطوط عملیاتی که از فضاپیماها و زیرساخت‌ها محافظت می‌کنند، حیاتی خواهد بود."

توجه: نقل‌قول بالا یک دیدگاه کارشناسی ساختگی است که برای نشان‌دادن چگونگی ارزیابی قابلیت‌ها و پیامدهای سیستم توسط یک هلیوفیزیک‌دان عملیاتی ساخته شده است.

فناوری‌های مرتبط و چشم‌اندازهای آینده

Surya به خانواده رو به رشد مدل‌های بنیادین برای علوم زمین و فضا می‌پیوندد. برای مثال مدل‌های "Prithvi" از IBM بر وظایف اقلیم و هواشناسی زمینی تمرکز دارند—نگاشت نابودی جنگل‌ها، مدل‌سازی سیلاب‌ها و پیش‌بینی گرمای شدید—با مصرف ترابایت‌ها تا پتابایت‌های داده ماهواره‌ای. یکپارچه‌سازی سیستم‌های هوش مصنوعی خورشیدی و زمینی می‌تواند ارزیابی‌های سرتاسری از چگونگی انتشار طوفان‌های خورشیدی تا محیط نزدیک به زمین و تأثیر آن‌ها بر زیرساخت‌ها را ممکن سازد.

جهت‌های آینده شامل موارد زیر است:

  • توسعه پیش‌بینی‌ها فراتر از افق‌های کوتاه‌مدت با جفت‌سازی Surya با مدل‌های انتشار هلیوسفری برای پیش‌بینی زمان رسیدن CME و شدت طوفان ژئومغناطیسی.
  • یادگیری پیوسته برای تطبیق با شرایط جدید خورشیدی و به‌روزرسانی‌های ابزارها.
  • اعتبارسنجی گسترده‌تر توسط جامعه در فازهای مختلف چرخه خورشیدی برای کمّی‌سازی ارزش عملیاتی در دنیای واقعی.

نتیجه‌گیری

Surya یک نقطه عطف در پیش‌بینی هواشناسی فضایی است: یک مدل متن‌باز با ۳۶۰ میلیون پارامتر آموزش‌دیده روی داده‌های چندکاناله SDO که می‌تواند فعالیت کوتاه‌مدت خورشیدی را با دقت بهتر پیش‌بینی کند. با خودکارسازی استخراج ویژگی‌ها از پتابایت تصاویر خورشیدی، Surya ابزار امیدوارکننده‌ای برای حفاظت از ماهواره‌ها، فضانوردان و زیرساخت‌های زمینی در برابر اثرات مضر هواشناسی فضایی فراهم می‌آورد. انتشار عمومی مدل و SuryaBench از جامعه علمی دعوت می‌کند تا این روش‌ها را بازتولید، اعتبارسنجی و توسعه دهند—گامی ضروری برای انتقال پیش‌بینی خورشیدی مبتنی بر هوش مصنوعی از پژوهش به کاربرد عملی. ارزیابی مداوم، داوری همتا و یکپارچه‌سازی با مدل‌های هلیوسفری و ژئومغناطیسی تعیین خواهد کرد که Surya تا چه میزان زمان هشدار اضافی می‌تواند به‌طور قابل‌اعتماد در سناریوهای دنیای واقعی فراهم آورد.

منبع: livescience

به دنیای علم خوش اومدی! من فرشاد هستم، کنجکاو برای کشف رازهای جهان و نویسنده مقالات علمی برای آدم‌های کنجکاو مثل خودت!

نظرات

ارسال نظر

مطالب مرتبط