Riassunto:
Un gruppo di ricerca guidato dal New Jersey Institute of Technology negli Stati Uniti ha sviluppato un sistema di intelligenza artificiale in grado di identificare in anticipo segnali di allarme estremamente deboli prima che le aree attive solari appaiano effettivamente sulla superficie visibile. La ricerca mostra che il sistema è in grado di rilevare i segni della formazione di nuove aree attive in media con quasi nove ore di anticipo, offrendo nuove possibilità per prevedere le tempeste solari future.
Prima che le macchie solari oscurino la superficie visibile del sole, l'attività magnetica che le crea si sviluppa silenziosamente all'interno del sole. Questi primi cambiamenti sono così deboli che è stato a lungo difficile per gli scienziati identificarli in modo stabile. Ora, un modello di intelligenza artificiale chiamato “EarlyDetect” è in grado di trovare indizi rilevanti nell’attività acustica del sole e nei cambiamenti del campo magnetico, rilevando i precursori di nuove regioni attive solari in media 9,24 ore prima che diventino visibili.
Questo studio è stato completato dal gruppo di ricerca del New Jersey Institute of Technology e i risultati sono stati pubblicati sul "Journal of Geophysical Research: Machine Learning and Computing" il 14 agosto. Il modello è stato sviluppato da Jonas Tirona, un ricercatore universitario presso il New Jersey Institute of Technology in collaborazione con scienziati informatici e fisici solari della scuola, nonché ricercatori dell'Università di Princeton e dell'Ames Research Center della NASA. Lo studio ha utilizzato i dati del Solar Dynamics Observatory della NASA.
Tirona ha affermato che il valore più grande di questo lavoro è che dimostra che l'apprendimento automatico può prevedere in anticipo quando appariranno le aree solari attive. Se si riuscissero a sviluppare ulteriormente affidabili sistemi di allerta precoce, le società di comunicazione satellitare e gli operatori della rete elettrica potrebbero essere in grado di adottare misure in anticipo per ridurre i potenziali danni causati dalle tempeste solari.
La regione attiva solare è un'area con attività magnetica estremamente forte, dove solitamente si formano le macchie solari. Spesso occorrono diverse ore prima che una regione attiva appaia e raggiunga la superficie del sole, e potrebbero essere necessari da uno a diversi giorni per formarsi completamente.
Prima che queste regioni raggiungano la superficie del Sole, il campo magnetico crescente ha effetti sottili sulle onde sonore che viaggiano attraverso l'interno del Sole. Gli scienziati possono studiare queste vibrazioni attraverso l’“eliosismologia”, utilizzando le onde che si propagano all’interno del sole per analizzare processi interni che non possono essere osservati direttamente.
EarlyDetect cerca modelli anomali prima della formazione di regioni attive analizzando le mappe di potenza acustica generate ogni ora e combinandole con i dati di misurazione del campo magnetico solare. I dati acustici provengono dall'Heliosismic and Magnetic Imager presso l'Osservatorio Solar Dynamics. Lo strumento registra misurazioni acustiche ogni 45 secondi, consentendo ai ricercatori di costruire un quadro dell'attività acustica all'interno del Sole.
Alexander Kosovichev, illustre professore di fisica presso il New Jersey Institute of Technology e co-leader del progetto, ha sottolineato che la principale difficoltà affrontata dalla ricerca è che la regione attiva solare si forma inizialmente sotto la superficie visibile e gli scienziati non possono osservare direttamente la sua struttura magnetica. Di conseguenza, i ricercatori possono cercare solo cambiamenti estremamente piccoli nel campo magnetico del Sole e nei modelli di propagazione delle onde sonore. Il processo è come discernere sottili cambiamenti nel ritmo in un’orchestra rumorosa.
EarlyDetect utilizza l'architettura Transformer. Questo tipo di tecnologia di intelligenza artificiale è ampiamente utilizzata anche in modelli linguistici di grandi dimensioni come ChatGPT. Tuttavia, EarlyDetect non analizza il linguaggio, ma cerca modelli statistici nei dati di osservazione solare che potrebbero indicare cambiamenti nell'attività solare.
Durante il processo di ricerca, il team ha anche scoperto che il metodo di filtraggio originariamente utilizzato per rimuovere il rumore e aiutare il modello a identificare importanti segnali solari, in realtà riduceva l'effetto di previsione.
Quando Tirona si è unito al progetto, i ricercatori stavano utilizzando una tecnica di filtraggio nella speranza di evidenziare importanti modelli solari su scale temporali brevi. Ma i risultati dei test mostrano che il filtraggio dei dati osservativi degrada la qualità di previsione del modello. Kosovichev ha affermato che il gruppo di ricerca inizialmente pensava che il filtraggio potesse isolare segnali utili, ma ha scoperto che riusciva a mediare le fluttuazioni più deboli ma più precoci.
Tirona ha paragonato il processo alla tecnologia di riduzione del rumore. In genere, la riduzione del rumore può rimuovere un forte rumore e rendere più chiare le tendenze generali, ma i ricercatori hanno scoperto che in quasi tutti i casi, la riduzione del rumore ha avuto un impatto negativo. I segnali filtrati sono proprio le informazioni importanti che aiutano il modello a determinare quando appare l'area attiva.
I ricercatori hanno utilizzato i dati del Solar Dynamics Observatory della NASA e dell'Heliosismic and Magnetic Imager per addestrare EarlyDetect, quindi hanno chiesto al modello di analizzare le aree solari attive che non apparivano nei dati di addestramento per testare la sua capacità di generalizzazione.
I risultati mostrano che il modello con le migliori prestazioni è stato in grado di identificare i precursori rilevanti in media 9,24 ore prima che le aree attive solari diventassero visibili, superando il modello Transformer standard e i metodi di base utilizzati in precedenza.
Mengjia Xu, assistente professore di scienza dei dati presso il New Jersey Institute of Technology e leader del progetto, ha affermato che l'apprendimento automatico non è stato ancora ampiamente utilizzato nella previsione dell'attività solare, ma questo studio mostra che modelli avanzati di apprendimento automatico possono aprire nuove direzioni per le future previsioni meteorologiche spaziali.
Questa ricerca è anche uno dei primi progetti sostenuti dal Grace Hopper Institute for Artificial Intelligence presso il New Jersey Institute of Technology. L’istituto è stato fondato nel 2025 per promuovere la ricerca interdisciplinare nel campo dell’intelligenza artificiale. Il progetto ha ricevuto anche il sostegno dei programmi di ricerca eliofisica e meteorologica spaziale della NASA, tra cui il Centro per la ricerca e l’innovazione guidate dalla scienza e le conseguenze dei campi e dei flussi dentro e fuori il sole.
Al fine di promuovere la ricerca di follow-up, il team ha anche divulgato risorse di dati pertinenti. Hanno rilasciato il set di dati sulla formazione dell’area attiva solare, o SolARED. Questo è un database di aree solari attive compilato sulla base delle osservazioni del Solar Dynamics Observatory. Inoltre, i ricercatori hanno anche creato un portale dell'area solare attiva per fornire agli utenti funzioni interattive di navigazione dei dati di osservazione.
Xu ha affermato che questo è il primo set di dati sulla formazione dell'area attiva solare aperto al pubblico e può fornire una risorsa comune per le comunità di ricerca sull'apprendimento automatico e sull'eliofisica per sviluppare e testare nuovi metodi di previsione.
Tuttavia, il team di ricerca ha sottolineato che EarlyDetect non può ancora essere utilizzato come sistema di previsione operativa in tempo reale. Il modello è stato addestrato su eventi noti di formazione di regioni attive solari e può ancora emettere falsi allarmi o fornire previsioni dopo che le regioni attive si sono già verificate.
Inoltre, identificare che si sta formando una regione attiva solare non significa che un brillamento solare o un'espulsione di massa coronale sia imminente. Molte regioni solari attive alla fine non producono esplosioni su larga scala. I ricercatori devono anche testare ulteriormente il modello utilizzando un numero maggiore e una gamma più ampia di eventi solari.
Tirona ha espresso la speranza che questa ricerca renda più persone consapevoli del potenziale dell'apprendimento automatico nel campo della fisica solare. Sarebbe molto interessante se un qualche tipo di modello potesse aiutare a prevedere gli eventi meteorologici spaziali futuri. Tuttavia, la ricerca attuale è ancora lontana da questo obiettivo e questo risultato è solo un entusiasmante punto di partenza.
Commenti