KI erfasst geheime Frühwarnsignale von Sonneneruptionen fast 9 Stunden im Voraus

Zusammenfassung:

Ein Forschungsteam unter der Leitung des New Jersey Institute of Technology in den USA hat ein künstliches Intelligenzsystem entwickelt, das extrem schwache Warnsignale im Voraus erkennen kann, bevor tatsächlich solaraktive Bereiche auf der sichtbaren Oberfläche erscheinen. Untersuchungen zeigen, dass das System Anzeichen für die Bildung neuer aktiver Gebiete im Durchschnitt fast neun Stunden im Voraus erkennen kann, was neue Möglichkeiten für die Vorhersage zukünftiger Sonnenstürme bietet.

Bevor Sonnenflecken die sichtbare Sonnenoberfläche verdunkeln, entwickelt sich die magnetische Aktivität, die sie erzeugt, tatsächlich still im Inneren der Sonne. Diese frühen Veränderungen sind so schwach, dass es für Wissenschaftler lange Zeit schwierig war, sie stabil zu identifizieren. Nun ist ein künstliches Intelligenzmodell namens „EarlyDetect“ in der Lage, relevante Hinweise in der akustischen Aktivität und den Magnetfeldveränderungen der Sonne zu finden und die Vorläufer neuer solaraktiver Regionen durchschnittlich 9,24 Stunden zu erkennen, bevor sie sichtbar werden.

Diese Studie wurde vom Forschungsteam des New Jersey Institute of Technology abgeschlossen und die Ergebnisse am 14. August im „Journal of Geophysical Research: Machine Learning and Computing“ veröffentlicht. Das Modell wurde von Jonas Tirona, einem Bachelor-Forscher am New Jersey Institute of Technology, in Zusammenarbeit mit Informatikern und Sonnenphysikern der Schule sowie Forschern der Princeton University und des Ames Research Center der NASA entwickelt. Die Studie nutzte Daten des Solar Dynamics Observatory der NASA.

Tirona sagte, dass der größte Wert dieser Arbeit darin besteht, dass sie beweist, dass maschinelles Lernen im Voraus vorhersagen kann, wann solaraktive Gebiete auftreten werden. Wenn zuverlässige Frühwarnsysteme weiterentwickelt werden können, könnten Satellitenkommunikationsunternehmen und Stromnetzbetreiber möglicherweise im Voraus Maßnahmen ergreifen, um die potenziellen Schäden durch Sonnenstürme zu reduzieren.

Die solaraktive Region ist ein Gebiet mit extrem starker magnetischer Aktivität, in dem sich normalerweise Sonnenflecken bilden. Es dauert oft mehrere Stunden, bis eine aktive Region erscheint und die Sonnenoberfläche erreicht, und es kann einen bis mehrere Tage dauern, bis sie sich vollständig entwickelt hat.

Bevor diese Regionen die Sonnenoberfläche erreichen, hat das ansteigende Magnetfeld subtile Auswirkungen auf die Schallwellen, die sich durch das Innere der Sonne bewegen. Wissenschaftler können diese Schwingungen mithilfe der „Helioseismologie“ untersuchen und dabei die sich im Inneren der Sonne ausbreitenden Wellen nutzen, um interne Prozesse zu analysieren, die nicht direkt beobachtet werden können.

EarlyDetect sucht nach abnormalen Mustern vor der Bildung aktiver Regionen, indem es stündlich erstellte akustische Leistungskarten analysiert und sie mit Messdaten des Sonnenmagnetfelds kombiniert. Die akustischen Daten stammen vom Helioseismic and Magnetic Imager am Solar Dynamics Observatory. Das Instrument zeichnet alle 45 Sekunden akustische Messungen auf und ermöglicht es Forschern, sich ein Bild der akustischen Aktivität im Inneren der Sonne zu machen.

Alexander Kosovichev, angesehener Professor für Physik am New Jersey Institute of Technology und Co-Leiter des Projekts, wies darauf hin, dass die Hauptschwierigkeit der Forschung darin besteht, dass sich die solaraktive Region zunächst unterhalb der sichtbaren Oberfläche bildet und Wissenschaftler ihre magnetische Struktur nicht direkt beobachten können. Daher können Forscher nur nach extrem kleinen Veränderungen im Magnetfeld der Sonne und in den Schallwellenausbreitungsmustern suchen. Der Vorgang ähnelt dem Erkennen subtiler Rhythmusänderungen in einem lauten Orchester.

EarlyDetect verwendet die Transformer-Architektur. Diese Art von Technologie der künstlichen Intelligenz wird auch häufig in großen Sprachmodellen wie ChatGPT eingesetzt. EarlyDetect analysiert jedoch keine Sprache, sondern sucht nach statistischen Mustern in Sonnenbeobachtungsdaten, die auf Veränderungen der Sonnenaktivität hinweisen können.

Während des Forschungsprozesses stellte das Team außerdem fest, dass die Filtermethode, die ursprünglich zur Entfernung von Rauschen und zur Unterstützung des Modells bei der Identifizierung wichtiger Sonnensignale verwendet wurde, den Vorhersageeffekt tatsächlich verringerte.

Als Tirona dem Projekt beitrat, verwendeten die Forscher eine Filtertechnik in der Hoffnung, wichtige Sonnenmuster auf kurzen Zeitskalen hervorzuheben. Testergebnisse zeigen jedoch, dass das Filtern von Beobachtungsdaten die Vorhersagequalität des Modells beeinträchtigt. Kosovichev sagte, dass das Forschungsteam zunächst davon ausgegangen sei, dass Filterung nützliche Signale isolieren könne, aber herausgefunden habe, dass dadurch die schwächsten, aber frühesten Schwankungen gemittelt würden.

Tirona verglich den Prozess mit einer Lärmreduzierungstechnologie. Typischerweise kann die Lärmreduzierung starken Lärm beseitigen und allgemeine Trends klarer machen, aber die Forscher fanden heraus, dass die Lärmreduzierung in fast allen Fällen negative Auswirkungen hatte. Die gefilterten Signale sind genau die wichtigen Informationen, die dem Modell helfen, zu bestimmen, wann der aktive Bereich erscheint.

Die Forscher nutzten Daten des Solar Dynamics Observatory der NASA und des Helioseismic and Magnetic Imager, um EarlyDetect zu trainieren, und baten das Modell dann, solaraktive Bereiche zu analysieren, die nicht in den Trainingsdaten auftauchten, um seine Generalisierungsfähigkeit zu testen.

Die Ergebnisse zeigen, dass das leistungsstärkste Modell in der Lage war, relevante Vorläufer im Durchschnitt 9,24 Stunden zu identifizieren, bevor solaraktive Bereiche sichtbar wurden, und übertraf damit das Standard-Transformer-Modell und zuvor verwendete Basismethoden.

Diese Forschung ist auch eines der ersten Projekte, die vom Grace Hopper Institute for Artificial Intelligence am New Jersey Institute of Technology unterstützt werden. Das Institut wurde 2025 gegründet, um die interdisziplinäre Forschung auf dem Gebiet der künstlichen Intelligenz zu fördern. Das Projekt erhielt auch Unterstützung von den Forschungsprogrammen Heliophysik und Weltraumwetter der NASA, darunter dem Center for Science-Driven Research and Innovation and the Consequences of Fields and Flows in and Out the Sun.

Um die Folgeforschung zu fördern, hat das Team auch relevante Datenressourcen offengelegt. Sie veröffentlichten den Solar Active Area Formation Dataset (SolARED). Hierbei handelt es sich um eine Datenbank solaraktiver Gebiete, die auf der Grundlage von Beobachtungen des Solar Dynamics Observatory zusammengestellt wurde. Darüber hinaus richteten die Forscher auch ein Portal für solaraktive Gebiete ein, um Benutzern interaktive Funktionen zum Durchsuchen von Beobachtungsdaten bereitzustellen.

Xu sagte, dass dies der erste öffentlich zugängliche Datensatz zur Bildung solarer aktiver Gebiete sei und eine gemeinsame Ressource für die Forschungsgemeinschaften im Bereich maschinelles Lernen und Heliophysik darstellen könne, um neue Vorhersagemethoden zu entwickeln und zu testen.

Das Forschungsteam betonte jedoch, dass EarlyDetect noch nicht als Echtzeit-Betriebsprognosesystem eingesetzt werden kann. Das Modell wurde auf bekannte Ereignisse zur Bildung solaraktiver Regionen trainiert und kann immer noch Fehlalarme auslösen oder Vorhersagen treffen, nachdem bereits aktive Regionen aufgetreten sind.

Darüber hinaus bedeutet die Feststellung, dass sich eine solaraktive Region bildet, nicht, dass eine Sonneneruption oder ein koronaler Massenauswurf unmittelbar bevorsteht. In vielen solaraktiven Regionen kommt es letztendlich nicht zu großflächigen Ausbrüchen. Die Forscher müssen das Modell außerdem anhand einer größeren Anzahl und eines größeren Spektrums von Sonnenereignissen weiter testen.

Tirona äußerte die Hoffnung, dass diese Forschung mehr Menschen auf das Potenzial des maschinellen Lernens im Bereich der Sonnenphysik aufmerksam machen wird. Es wäre sehr interessant, wenn ein Modell dazu beitragen könnte, zukünftige Weltraumwetterereignisse vorherzusagen. Allerdings ist die aktuelle Forschung von diesem Ziel noch weit entfernt und dieses Ergebnis ist nur ein spannender Ausgangspunkt.