Investigadores del Instituto Tecnológico de Nueva Jersey (NJIT) han creado un sistema de inteligencia artificial que identifica señales sutiles de futuras regiones activas en el Sol con hasta 9 horas de antelación. Este adelanto permitiría a las compañías de comunicaciones satelitales y a las operadoras de redes eléctricas contar con más tiempo para protegerse ante los efectos de las tormentas solares.
Bautizado como EarlyDetect, el modelo fue evaluado con zonas activas solares desconocidas para él y logró superar a una técnica de predicción previa, de acuerdo con el artículo difundido en la revista Journal of Geophysical Research: Machine Learning and Computation.
El estudio indica que, incluso antes de que las manchas solares oscuras se vuelvan visibles en la superficie, una región activa en formación ya deja indicios mínimos de su presencia. Estas áreas, donde pueden generarse erupciones solares de gran intensidad, aparecen gradualmente a lo largo de horas, aunque su desarrollo total puede demorar entre uno y varios días.
Jonas Tirona, estudiante de pregrado del NJIT y autor principal del estudio, lideró el desarrollo del método en colaboración con especialistas en informática y física solar de la misma casa de estudios, así como con investigadores de la Universidad de Princeton y del Centro de Investigación Ames de la NASA. Los datos provinieron del Observatorio de Dinámica Solar (SDO) de la NASA.
El sistema rastrea huellas acústicas y magnéticas
Según la publicación, cuando los campos magnéticos ascienden hacia la superficie del Sol, imprimen marcas sutiles en las ondas acústicas. Estas alteraciones pueden monitorearse a través de la heliosismología, la ciencia que analiza las vibraciones solares.
Para identificar estas señales, EarlyDetect examina mapas cada hora de potencia acústica y datos del campo magnético capturados por el SDO. Los mapas acústicos se generan a partir de observaciones de ondas sonoras tomadas cada 45 segundos por el instrumento HMI (Helioseismic and Magnetic Imager) a bordo del observatorio.
Tirona señaló que el valor fundamental del estudio es probar que el aprendizaje automático puede prever la aparición de regiones solares activas.
“Esta alerta temprana podría permitir a las empresas de comunicaciones por satélite o a las compañías eléctricas prepararse y, potencialmente, mitigar los daños causados por las tormentas solares”, afirmó.
Alexander Kosovichev, profesor distinguido de física en el NJIT y coinvestigador principal, explicó el desafío de observación:
“La principal dificultad reside en que una región activa comienza a desarrollarse bajo la superficie visible del sol, donde no podemos observar directamente la estructura magnética”.
El científico detalló qué tipo de variación busca el sistema:
“En realidad, buscamos cambios muy pequeños en el campo magnético y en el patrón de las ondas acústicas que viajan continuamente a través del sol. Es más bien como detectar un ligero cambio de ritmo dentro de una orquesta muy ruidosa”.
EarlyDetect emplea una arquitectura Transformer, la misma tecnología que utilizan los grandes modelos de lenguaje, pero en lugar de aprender patrones de texto, se entrena con datos de observaciones solares para predecir cambios en la actividad del astro.
Cuando Tirona se incorporó al proyecto el año anterior, él y su equipo hallaron que un método de filtrado diseñado para asistir al modelo en realidad disminuía su eficacia. Explicaron que ese proceso promediaba fluctuaciones muy sutiles que justamente contenían la alerta más temprana.
Kosovichev confesó:
“Eso fue lo que más nos sorprendió. Inicialmente esperábamos que ayudara a aislar patrones útiles a corto plazo. En cambio, promedió las fluctuaciones muy débiles que proporcionaban la alerta más temprana”.
Tirona comparó el efecto con la cancelación de ruido:
“Pero descubrimos que era perjudicial en casi todos los casos. Las señales que el filtro eliminaba resultaron ser cruciales para que el modelo predijera cuándo surgiría una región activa”.
La versión más eficaz de EarlyDetect identificó señales precursoras en promedio 9,24 horas antes de que las regiones activas se volvieran visibles. Mengjia Xu, profesora asistente de ciencia de datos en NJIT y coinvestigadora principal, consideró que el resultado demuestra que los modelos avanzados de aprendizaje automático pueden expandir las capacidades de predicción del clima espacial.
El método aún no funciona como alerta en tiempo real
El equipo advierte que EarlyDetect no está preparado aún para operar en tiempo real. Tirona indicó que el modelo se entrenó con datos de eventos ya conocidos y que aún genera falsas alarmas o predicciones tardías.
Detectar de forma anticipada una región activa no significa predecir una llamarada solar o una eyección de masa coronal. El estudio subraya que muchas regiones activas nunca producen erupciones relevantes y que el método necesita validarse con una cantidad mayor de eventos solares.
Como parte del proyecto, los científicos lanzaron SolARED, considerado el primer conjunto de datos públicos sobre la aparición de regiones solares activas, así como la plataforma web interactiva SAR para explorar esa información. Xu afirmó:
“Proporciona un recurso compartido para que tanto la comunidad de aprendizaje automático como la de heliofísica desarrollen y prueben nuevos enfoques de predicción”.
Tirona manifestó su esperanza de que el trabajo impulse el interés por la aplicación del aprendizaje automático en la heliofísica. Y precisó el alcance actual:
“Todavía no hemos llegado a ese punto, pero este es un paso emocionante”.
Fuente: Infobae