AGI - Molto prima che sulla superficie del Sole compaiano macchie solari scure, una nuova regione attiva, dove possono originarsi potenti eruzioni solari, inizia a mostrare lievi segni della sua formazione. Ora, i ricercatori affermano che un nuovo modello di intelligenza artificiale è in grado di rilevare questi segnali precoci e di prevedere la comparsa di regioni solari attive con quasi nove ore di anticipo in media.
In uno studio pubblicato sul Journal of Geophysical Research: Machine Learning and Computation, un team di ricerca guidato dal New Jersey Institute of Technology (NJIT) ha presentato un modello di intelligenza artificiale, chiamato EarlyDetect, in grado di identificare i segnali premonitori dell'emergere di regioni attive nell'attività acustica e nel campo magnetico del Sole. Finora gli scienziati hanno faticato a catturare tali segnali.
Jonas Tirona, studente ricercatore universitario del NJIT e autore corrispondente dello studio, ha sviluppato l'approccio insieme a informatici e fisici solari del NJIT, nonché a collaboratori dell'Università di Princeton e del Centro di ricerca Ames della NASA, utilizzando le osservazioni del Solar Dynamics Observatory (SDO) della NASA. "L'aspetto più prezioso di questo lavoro è la possibilità di utilizzare l'apprendimento automatico per prevedere in anticipo l'emergere delle regioni solari attive", ha affermato Tirona, borsista dell'Albert Dorman Honors College. "Questo sistema di allerta precoce potrebbe consentire alle aziende di telecomunicazioni satellitari o alle società di gestione delle reti elettriche di prepararsi e potenzialmente mitigare i danni causati dalle tempeste solari."
Le regioni attive, ovvero le aree magneticamente intense in cui si formano le macchie solari, iniziano a emergere nell'arco di diverse ore, mentre il loro sviluppo completo può richiedere da uno a diversi giorni. Quando i campi magnetici si innalzano verso la superficie del Sole, lasciano deboli tracce nelle onde acustiche che gli scienziati possono rilevare attraverso l'eliosismologia, lo studio delle vibrazioni solari. Per identificare queste caratteristiche distintive, il modello EarlyDetect del team analizza mappe orarie della potenza acustica e misurazioni del campo magnetico provenienti dal Solar Dynamics Observatory della NASA. Le mappe acustiche sono ricavate da osservazioni di onde sonore registrate ogni 45 secondi dall'Helioseismic and Magnetic Imager (HMI) a bordo del satellite SDO della NASA.
"La difficoltà principale è che una regione attiva inizia a svilupparsi sotto la superficie visibile del Sole, dove non possiamo osservare direttamente la struttura magnetica", ha affermato Alexander Kosovichev, professore di fisica al NJIT e co-responsabile del progetto. "Stiamo invece cercando variazioni minime nel campo magnetico e nel modello delle onde acustiche che si propagano continuamente attraverso il Sole. È un po' come rilevare una leggera variazione di ritmo all'interno di un'orchestra molto rumorosa".
Il modello del team utilizza un'architettura Transformer, lo stesso tipo di tecnologia di intelligenza artificiale alla base di modelli linguistici complessi come ChatGPT. Mentre questi sistemi apprendono schemi nei testi, EarlyDetect apprende schemi dalle osservazioni solari per prevedere i futuri cambiamenti nell'attività del Sole.
Dopo essersi uniti al progetto l'anno scorso, Tirona e il suo team hanno scoperto che una tecnica di filtraggio che avevano applicato per aiutare il modello di intelligenza artificiale a identificare schemi importanti nei dati solari, in realtà ne peggiorava le previsioni. "Questo è ciò che ci ha sorpreso di più", ha detto Kosovichev. "Inizialmente ci aspettavamo che aiutasse a isolare schemi utili su scala temporale breve. Invece, ha mediato le fluttuazioni molto deboli che fornivano il primo segnale di allarme."
"È un po' come la cancellazione del rumore, normalmente elimina i rumori forti in modo da poter vedere meglio l'andamento generale", ha detto Tirona. "Ma abbiamo scoperto che era dannoso in quasi tutti i casi. I segnali che il filtro eliminava si sono rivelati davvero importanti per aiutare il modello a prevedere quando sarebbe emersa una regione attiva."
Dopo l'addestramento con le osservazioni del satellite SDO/HMI della NASA, i ricercatori hanno testato EarlyDetect su regioni attive che il modello non aveva mai visto prima. La versione con le migliori prestazioni ha identificato i segnali precursori in media 9,24 ore prima che le regioni attive diventassero visibili, superando sia un modello Transformer standard che un precedente approccio di riferimento.