هوش مصنوعی جدید نشانه‌های پنهان طوفان‌های خورشیدی را ساعت‌ها زودتر کشف می‌کند
هوش مصنوعی جدید نشانه‌های پنهان طوفان‌های خورشیدی را ساعت‌ها زودتر کشف می‌کند
به گزارش بیکینگ و به نقل از SciTechDaily، مدلی موسوم به «ارلی‌دیتکت» (EarlyDetect) نشانه‌های شکل‌گیری مناطق فعال خورشیدی را به‌طور میانگین نزدیک به نه ساعت زودتر از پدیدارشدن آن‌ها کشف کرده است.
گفته می‌شود «ارلی‌دیتکت» به‌دنبال الگوهای پیش‌نشانگر، هم در فعالیت صوتی خورشید و هم در میدان مغناطیسی آن است؛ سیگنال‌هایی که پیش‌تر شناسایی قابل‌اعتماد آن‌ها برای دانشمندان دشوار بود.
جوناس تیرونا، پژوهشگر مقطع کارشناسی در ان‌جی‌آی‌تی و نویسندهٔ مسئول این پژوهش، می‌گوید ارزشمندترین دستاورد این تحقیق، نشان‌دادن این نکته است که می‌توان از یادگیری ماشین برای پیش‌بینی زمان شکل‌گیری مناطق فعال خورشیدی از پیش استفاده کرد.
به گفتهٔ او، این هشدار زودهنگام می‌تواند به شرکت‌های ارتباطات ماهواره‌ای یا شبکه‌های برق کمک کند تا آماده شوند و از آسیب‌های احتمالی طوفان‌های خورشیدی جلوگیری کنند.
مناطق فعال، نواحی‌ای با فعالیت مغناطیسی شدید هستند که لکه‌های خورشیدی در آن‌ها شکل می‌گیرند. شکل‌گیری این مناطق طی چند ساعت رخ می‌دهد، درحالی‌که تکامل کامل آن‌ها ممکن است از یک تا چند روز به طول انجامد.
پیش از آنکه این مناطق به سطح خورشید برسند، میدان‌های مغناطیسی روبه‌رشد، امواج صوتی عبوری از خورشید را به‌طور ظریف تغییر می‌دهند.
گفتنی است دانشمندان می‌توانند این نوسان‌ها را با روش «هلیوسیسمولوژی» (Helioseismology) بررسی کنند؛ روشی که با مطالعهٔ امواج درون خورشید، فرایندهایی را آشکار می‌کند که به‌طور مستقیم قابل مشاهده نیستند.
«ارلی‌دیتکت» این سیگنال‌ها را با تحلیل نقشه‌های ساعتی توان صوتی در کنار داده‌های میدان مغناطیسی خورشید که از رصدخانهٔ SDO ناسا به‌دست می‌آید، شناسایی می‌کند. این نقشه‌های صوتی از اندازه‌گیری امواج صوتی به‌دست می‌آیند که هر چهل‌وپنج ثانیه یک‌بار توسط تصویرگر هلیوسیسمیک و مغناطیسی موسوم به «اچ‌ام‌آی»، نصب‌شده بر رصدخانهٔ «اس‌دی‌او»، ثبت می‌شوند.
الکساندر کوسوویچف، از پژوهشگران اصلی این طرح، می‌گوید دشواری اصلی این است که یک منطقهٔ فعال، شکل‌گیری خود را زیر سطح مرئی خورشید آغاز می‌کند؛ جایی که ساختار مغناطیسی آن به‌طور مستقیم قابل مشاهده نیست.
به گفتهٔ او، در عوض، پژوهشگران به‌دنبال تغییرات بسیار کوچک در میدان مغناطیسی و در الگوی امواج صوتی هستند که پیوسته درون خورشید در حرکت‌اند؛ کاری که به گفتهٔ او بیشتر شبیه تشخیص تغییری جزئی در ریتم یک ارکستر بسیار پرسروصداست.
«ارلی‌دیتکت» بر پایهٔ معماری «ترانسفورمر» ساخته شده است؛ همان نوع گستردهٔ فناوری هوش مصنوعی که در مدل‌های زبانی بزرگی چون «چت‌جی‌پی‌تی» به کار می‌رود. با این تفاوت که این مدل به‌جای یادگیری الگوهای آماری زبان، در پی الگوهایی در داده‌های خورشیدی است که پیش از تغییرات فعالیت خورشید رخ می‌دهند.
هنگامی که تیرونا سال گذشته به این پروژه پیوست، گروه پژوهشی از روشی برای پالایش داده‌ها استفاده می‌کرد تا الگوهای مهم خورشیدی برای مدل قابل‌تشخیص‌تر شوند. اما آزمایش‌ها نتیجه‌ای معکوس نشان دادند و پالایش داده‌ها در عمل کیفیت پیش‌بینی‌ها را کاهش داد.
کوسوویچف گفت این موضوع بیش از هر چیز آنان را شگفت‌زده کرد، چراکه انتظار داشتند پالایش به شناسایی الگوهای کوتاه‌مدت مفید کمک کند، اما در عوض همان نوسان‌های بسیار ضعیفی را از میان برد که زودهنگام‌ترین هشدارها را فراهم می‌کردند.
تیرونا نیز در همین باره گفت این فرایند تا حدی شبیه حذف نویز است که معمولاً صداهای بلند را کنار می‌زند تا روند کلی بهتر دیده شود، اما در این مورد، تقریباً در همهٔ موارد اثری زیان‌بار داشت و سیگنال‌هایی که پالایش حذفشان می‌کرد، در پیش‌بینی زمان شکل‌گیری منطقهٔ فعال اهمیت بسیاری داشتند.
تیرونا در پایان می‌گوید امیدوار است این پروژه آگاهی بیشتری دربارهٔ نقش یادگیری ماشین در هلیوفیزیک ایجاد کند و بسیار جالب خواهد بود اگر روزی مدلی از این دست بتواند به پیش‌بینی رویدادهای هوای خورشیدی کمک کند؛ هرچند به گفتهٔ او هنوز به آن نقطه نرسیده‌اند، اما این گامی هیجان‌انگیز به‌شمار می‌رود.
