9 دقیقه
یک هوش مصنوعی جدید برای پیش‌بینی طوفان‌های خورشیدی
شرکتهای IBM و ناسا مدل بنیادین هوش مصنوعی جدیدی به نام Surya را معرفی کردند که برای پیش‌بینی فوران‌های خورشیدی شدید و دیگر پدیده‌های آب‌وهوای فضایی با سرعت و دقت بی‌سابقه طراحی شده است. Surya تصاویر خام با فریم‌ریت بالا را از رصدخانهٔ دینامیک خورشیدی ناسا (SDO) دریافت میکند و پیشبینیهای کوتاهمدت از پویایی خورشیدی مانند احتمال فوران، رفتار باد خورشیدی و تغییرات طیفی فرابنفش شدید (EUV) تولید میکند. این سیستم متنباز و در دسترس عموم است و همراه با SuryaBench، مجموعهای گزیده از دادهها و بنچمارکها برای تسریع پژوهش در هلیوفیزیک و پیش‌بینی عملی آب‌وهوای فضایی منتشر شده است.
چرا پیش‌بینی دقیق فوران‌های خورشیدی اهمیت دارد
آب‌وهوای فضایی — که ناشی از فوران‌های خورشیدی و فوران تودهٔ تاجی (CME) است — با گسترش فعالیت‌های انسانی در مدار و وابستگی بیشتر جامعه به زیرساخت‌های مبتنی بر ماهواره خطرات فزاینده‌ای ایجاد میکند. فورانها و CMEهای بزرگ می‌توانند به ماهواره‌ها آسیب بزنند، سیگنال‌های رادیویی و GPS را که در هوانوردی و ناوبری دریایی استفاده می‌شوند مختل کنند، جریان‌های القاشدهٔ ژئومغناطیسی ایجاد کنند که شبکه‌های قدرت را تهدید می‌کنند و تابش را برای فضانوردان و خدمهٔ پروازهای ارتفاع بالا افزایش دهند. بهبود پیشبینیهای کوتاهمدت فعالیت خورشیدی به اپراتورها و برنامه‌ریزان مأموریت زمان لازم برای خاموش کردن سیستم‌های آسیب‌پذیر، تغییر جهت فضاپیماها، محافظت از فضانوردان و کاهش اثرات بعدی بر ارتباطات و شبکه‌های برق میدهد.
پیش‌بینی وضعیت جوی زمینی خود دشوار است؛ پیش‌بینی طوفان‌های خورشیدی پیچیدگی‌های بیشتری دارد. نور و سیگنال‌های الکترومغناطیسی از رویدادهای فوران با سرعت نور منتقل می‌شوند، اما یک تأخیر مشاهده‌ای وجود دارد: فوتون‌های فوران حدود هشت دقیقه طول می‌کشند تا به زمین برسند که آگاهی لحظه‌ای را محدود میکند. بنابراین مدل‌های پیش‌بینی باید شرایط در حال تغییر روی خورشید را استنتاج کنند و قبل از گسترش اثرات به فضای بین‌سیاره‌ای وقوع انفجارها را پیش‌بینی نمایند.
پیش‌زمینه علمی: ابزارها، فیزیک و دادهها
رصدخانهٔ دینامیک خورشیدی (SDO) بیش از یک دهه است که به طور پیوسته خورشید را رصد میکند و تصاویر تمام‌صفحه را هر 12 ثانیه در چندین باند طول‌موجی ثبت میکند. دو ابزار اصلی SDO دادههایی را به Surya می‌دهند:
دوربین تصویربرداری جوّی (AIA)
AIA جو بالایی خورشید (کرونا) را در چند کانال EUV و UV ثبت میکند. هر کانال انتشار را در دماها و ارتفاع‌های مختلف جو خورشیدی نقشه‌برداری میکند — که با هم ساختارهای پلاسما، رویدادهای گرمایشی و رفتارهای انفجاری را در حدود 1.3 قطر خورشید در میدان دید آشکار می‌سازند.
تصویربردار هلیوسیزمی و میدان مغناطیسی (HMI)
HMI میدان‌های مغناطیسی فوتوسفر و نوسانات هلیوسیزمی را در سطح قابل مشاهدهٔ خورشید اندازه‌گیری میکند. تکامل میدان مغناطیسی — پدیدار شدن، خنثی شدن و تاب‌خوردگی خطوط میدان — یکی از عوامل اصلی فورانها و CMEها است، بنابراین دادههای برداری مغناطیسی HMI برای مدل‌سازی پیش‌بینی ضروری‌اند.
Surya هشت کانال AIA و پنج محصول HMI را ترکیب میکند تا بازنمایی چندلایه‌ای از فعالیت خورشیدی بسازد. مدل برای شناسایی الگوها در انتشار پلاسما، توپولوژی مغناطیسی و دینامیک سطحی که پیش‌درآمد رویدادهای پرانرژی هستند آموزش داده شد.
مدل Surya: معماری، آموزش و توانایی‌ها
Surya یک مدل بنیادین متنباز با حدود 360 میلیون پارامتر است که برای یادگیری یک بازنمایی فشرده و از نظر فیزیکی معنادار از رفتار خورشیدی طراحی شده است. پژوهشگران یک بازهٔ نه‌ساله از دادههای هماهنگ‌شدهٔ SDO را برای آموزش سیستم انتخاب کردند: تصاویر و محصولات مغناطیسی پیشپردازش و هم‌تراز شدند تا مدل بتواند همبستگی‌های بینکانالی و دینامیک چندزمانی را بیاموزد.
وظیفهٔ آموزشی از ورودی‌های سلسله‌ای تصویری استفاده می‌کرد و مدل را ملزم می‌ساخت مشاهدات SDO را یک ساعت به آینده پیش‌بینی کند. در طول توسعه، تیم‌ها با معماری‌ها و راهکارهای همسوسازی داده آزمایش کردند؛ یکی از یافته‌های قابل توجه این بود که Surya ویژگی‌های خاص خورشید — مانند چرخش متفاوت (سرعت بالاتر در خط استوا نسبت به قطب‌ها) — را مؤثرتر از قواعد سخت‌کدشده از دادهها خود آموخت.
قابلیت‌های فنی:
- پیش‌بینی کوتاهمدت: Surya تصاویر خورشیدی، تکامل 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 را داشتند علامت‌گذاری کند و تحت شرایط بصری مشخص تا دو ساعت پیشبینیهای مفیدی تولید نمود.
- پتانسیل عملیاتی: استخراج خودکار ویژگی‌ها سریع‌تر از نیروی انسانی از پتابایت تصاویر SDO امکان هشدار در زمان نزدیک به واقعی و جریان‌های کاری عملیاتی پایین‌دستی را فراهم میکند.
سازندگان Surya در آزمایش‌های خود بهبود تقریباً 16٪ در عملکرد پیش‌بینی فوران نسبت به روش‌های موجود گزارش کردند. نتایج و جزئیات مدل در 18 اوت در arXiv منتشر شدند؛ مقاله در حال حاضر پیش‌چاپ است و تحت بازبینی همتا قرار دارد.
«ما از سال 2023 با ناسا در این مسیر پیشروی فناوری بوده‌ایم و مدل‌های بنیادین پیشگامانه‌ای را برای درک بی‌سابقهٔ سیارهٔ زمین ارائه کرده‌ایم»، گفت خوان برنابه-مورنو، مدیر پژوهش IBM اروپا برای بریتانیا و ایرلند. «با Surya ما نخستین مدل بنیادینی را خلق کرده‌ایم که میتواند مستقیماً به خورشید نگاه کند و حالات آن را پیش‌بینی نماید.»
«این روش بسیار مناسبی برای استفاده از پتانسیل این داده‌هاست»، گفت کتی ریوز، فیزیک‌دان خورشیدی در مرکز اخترفیزیک هاروارد–اسمیتسونیان که در این مطالعه دخیل نبوده است. «استخراج ویژگی‌ها و رویدادها از پتابایت داده فرایندی زمان‌بر است و اکنون می‌توانیم آن را خودکار کنیم.»
آزمون‌ها، نتایج و پیامدهای عملیاتی
در وظایف بنچمارک، Surya تصاویر یک‌ساعته جلو و پیشبینیهای احتمال‌محور فوران را تولید کرد که با روش‌های پیشرفتهٔ فعلی برابری یا از آن پیشی گرفتند. توانایی مدل در ترکیب ورودی‌های چندکاناله (باندهای EUV از AIA و مگنتوگرام‌های HMI) به آن امکان میدهد پیش‌نشانه‌های ظریف — برش مغناطیسی، خروج شار جدید و گرم‌شدن سریع کرونا — را که اغلب پیش‌درآمد انفجارهای پرانرژی هستند شناسایی کند.
مزایای عملیاتی شامل:
- زمان هشدار بیشتر برای اپراتورهای ماهواره و کنترل مأموریت برای قرار دادن سیستمها در حالت ایمن.
- بهبود پیشبینیهای خطر تابشی برای مأموریتهای سرنشیندار و هوانوردی در ارتفاع بالا.
- هشدارهای زودتر برای شرکتهای توزیع برق و سرویسهای وابسته به GNSS تا برای اثرات ژئومغناطیسی احتمالی آماده شوند.
تیم، Surya را به‌عنوان کد متنباز در GitHub منتشر کرده و یک نسخه را در Hugging Face میزبانی کرده است، همراه با SuryaBench: مجموعهای گزیده و مستندسازی‌شده از دادهها و بنچمارکها که برای کمک به پژوهشگران جهت بازتولید نتایج و گسترش کار طراحی شده است.
دیدگاه کارشناسی
دکتر النا مورالس، یک هلیوفیزیک‌دان ارشد و تحلیل‌گر مأموریت خیالی (دیدگاه کارشناسی)، اظهار داشت: «Surya نمایانگر جهشی در نحوهٔ تبدیل جریان‌های مشاهده‌ای پیوسته به پیشبینیهای قابل اقدام است. با یادگیری مستقیم از تصاویر چندطول‌موج و محصولات مغناطیسی، مدل میتواند پیش‌نشانه‌هایی را شناسایی کند که استخراج دستی آنها دشوار است. انتشار متنباز و SuryaBench برای ایجاد اعتماد جامعه، اعتبارسنجی عملکرد در چرخه‌های مختلف خورشیدی و ادغام پیش‌بینی‌ها در زنجیره‌های عملیاتی که از فضاپیماها و زیرساختها محافظت می‌کنند، حیاتی خواهد بود.»
توجه: نقل‌قول بالا یک دیدگاه کارشناسی ساختگی است که برای نشان‌دادن چگونگی ارزیابی یک هلیوفیزیک‌دان در حال کار از توانایی‌ها و پیامدهای سیستم تصور شده است.
فناوری‌های مرتبط و چشم‌انداز آینده
Surya به خانوادهٔ در حال رشد مدل‌های بنیادین برای علوم زمین و فضا می‌پیوندد. برای مثال مدل‌های «Prithvi» از IBM بر روی وظایف اقلیم و هواشناسی زمینی تمرکز دارند — نقشه‌برداری قطع درختان، مدل‌سازی سیل‌ها و پیش‌بینی گرمای شدید — با استفاده از ترابایت تا پتابایت دادهٔ ماهوارهای. یکپارچه‌سازی سیستم‌های هوش مصنوعی خورشیدی و زمینی میتواند ارزیابی‌های جامع از نحوهٔ انتقال طوفان‌های خورشیدی به محیط نزدیک‌زمین و تأثیرشان بر زیرساختها را ممکن سازد.
جهت‌گیری‌های آینده شامل:
- گسترش پیش‌بینی‌ها فراتر از افق کوتاهمدت از طریق اتصال Surya به مدل‌های انتشار هلیوسفریک برای پیش‌بینی زمان رسیدن CMEها و شدت طوفان‌های ژئومغناطیسی.
- یادگیری پیوسته برای سازگاری با شرایط جدید خورشیدی و به‌روزرسانی‌های ابزارها.
- اعتبارسنجی گسترده‌تر توسط جامعه در فازهای مختلف چرخهٔ خورشیدی برای اندازه‌گیری ارزش عملیاتی در دنیای واقعی.
نتیجه‌گیری
Surya یک نقطهٔ عطف در پیش‌بینی آب‌وهوای فضایی است: یک مدل متنباز با 360 میلیون پارامتر آموزش‌دیده روی دادههای چندکانالهٔ SDO که میتواند فعالیت کوتاهمدت خورشیدی را با دقت بهبود‌یافته پیش‌بینی کند. با خودکارسازی استخراج ویژگی‌ها از پتابایت تصاویر خورشیدی، Surya ابزاری امیدوارکننده برای محافظت از ماهواره‌ها، فضانوردان و زیرساخت‌های زمینی در برابر اثرات مضر آب‌وهوای فضایی ارائه میدهد. انتشار عمومی مدل و SuryaBench از جامعهٔ علمی دعوت میکند تا این روش‌ها را بازتولید، اعتبارسنجی و گسترش دهند — گامی ضروری برای انتقال پیش‌بینی خورشیدی مبتنی بر هوش مصنوعی از پژوهش به کاربرد عملی. ارزیابی مداوم، بازبینی همتا و ادغام با مدل‌های هلیوسفریک و ژئومغناطیسی تعیین خواهد کرد که Surya در شرایط دنیای واقعی تا چه اندازه زمان هشدار اضافی میتواند به‌طور قابل‌اعتماد فراهم کند.
منبع: livescience
.avif)
نظرات