Un gruppo di ricercatori guidato dal New Jersey Institute of Technology ha sviluppato EarlyDetect, un modello di intelligenza artificiale capace di individuare i deboli segnali che precedono la comparsa sulla superficie del Sole delle regioni attive, aree caratterizzate da campi magnetici particolarmente intensi nelle quali si formano le macchie solari e dalle quali possono successivamente originarsi potenti flare ed espulsioni di massa coronale. Nei test, la versione più efficace del sistema ha riconosciuto questi segnali precursori mediamente 9,24 ore prima che la regione attiva diventasse visibile, superando sia un Transformer standard sia un precedente metodo utilizzato come benchmark. Il lavoro è stato condotto da Jonas Tirona insieme a ricercatori di informatica e fisica solare del NJIT e a collaboratori della Princeton University e del NASA Ames Research Center.
Le regioni attive non compaiono improvvisamente sulla fotosfera. Il loro sviluppo comincia al di sotto della superficie visibile e può richiedere diverse ore, mentre la formazione completa può proseguire per uno o più giorni. Durante la risalita dei campi magnetici verso la superficie vengono prodotte variazioni molto deboli nel campo magnetico e nelle onde acustiche che attraversano continuamente il Sole. Queste perturbazioni possono essere studiate attraverso l’eliosismologia, disciplina che utilizza le oscillazioni solari per ricostruire fenomeni che avvengono nelle regioni non direttamente osservabili. Proprio la debolezza di questi segnali e la quantità di rumore presente nei dati hanno reso finora particolarmente difficile utilizzarli come indicatori anticipati dell’emersione di una nuova regione attiva.
EarlyDetect analizza mappe orarie della potenza acustica insieme alle misurazioni del campo magnetico ottenute dal Solar Dynamics Observatory della NASA. Le mappe acustiche derivano dalle osservazioni delle onde registrate ogni 45 secondi dall’Helioseismic and Magnetic Imager, lo strumento HMI installato a bordo del satellite. Il modello cerca quindi simultaneamente variazioni nell’attività acustica e magnetica che possano indicare l’avvicinamento alla superficie di una struttura magnetica ancora invisibile. Una delle firme osservate consiste in una riduzione della potenza acustica che compare prima delle successive variazioni nell’intensità del continuo e nel campo magnetico, quando la regione attiva comincia infine a manifestarsi sulla superficie.
Dal punto di vista dell’architettura, EarlyDetect utilizza un Transformer, la stessa famiglia di modelli impiegata alla base di molti sistemi linguistici generativi, ma applicata in questo caso a sequenze di osservazioni solari. Invece di apprendere le relazioni statistiche tra token e parole, il sistema individua dipendenze temporali e configurazioni ricorrenti nei dati acustici e magnetici, utilizzandole per prevedere l’evoluzione successiva dell’attività solare. Il modello è stato addestrato con osservazioni provenienti dagli strumenti SDO/HMI e successivamente verificato su regioni attive che non erano state incluse nei dati utilizzati durante l’addestramento.
Un elemento inatteso emerso durante lo sviluppo ha riguardato il pre-processing dei dati. I ricercatori avevano inizialmente applicato una tecnica di filtraggio con l’obiettivo di eliminare il rumore e rendere più facilmente riconoscibili le informazioni rilevanti, ma il risultato è stato un peggioramento delle previsioni. Il filtro attenuava infatti proprio alcune delle piccole fluttuazioni a breve termine che fornivano gli indizi più precoci dell’emersione di una regione attiva. Eliminando questa elaborazione, il modello ha potuto utilizzare variazioni apparentemente assimilabili al rumore che si sono invece dimostrate determinanti per anticipare il fenomeno.
La versione con le prestazioni migliori ha raggiunto un anticipo medio di 9,24 ore rispetto al momento nel quale le regioni attive diventavano osservabili. Un intervallo di questo tipo potrebbe in futuro contribuire alle tecniche di previsione dello space weather, fornendo maggiore tempo per preparare infrastrutture sensibili come satelliti, sistemi di comunicazione e reti elettriche agli effetti di un’eventuale attività solare intensa. EarlyDetect, tuttavia, non costituisce ancora un sistema operativo di allerta in tempo reale: è stato addestrato utilizzando eventi di emersione già noti e continua a produrre occasionalmente falsi allarmi oppure previsioni effettuate troppo tardi, rendendo necessaria una validazione su un numero molto più ampio di fenomeni solari.
È inoltre necessario distinguere la previsione realizzata dal modello dalla previsione diretta di un’eruzione. EarlyDetect segnala che una nuova regione magneticamente attiva sta per emergere, ma questo non significa che da quella regione si verificheranno necessariamente un flare solare o un’espulsione di massa coronale, perché molte regioni attive non producono eventi di grande intensità. Il sistema aggiunge quindi una possibile fase anticipata alla catena di previsione dello space weather, individuando la formazione della struttura dalla quale un evento potrebbe successivamente svilupparsi, senza prevedere direttamente l’eruzione stessa.
Il gruppo ha reso disponibile anche SolARED, Solar Active Region Emergence Dataset, una raccolta pubblica di osservazioni delle regioni solari attive ricavata dai dati del Solar Dynamics Observatory. Secondo i ricercatori si tratta del primo dataset pubblico specificamente dedicato all’emersione delle regioni attive ed è stato affiancato dal Solar Active Region Portal, una piattaforma interattiva che permette di esplorare i dati. L’obiettivo è fornire alla comunità dell’eliofisica e a quella del machine learning una base comune sulla quale sviluppare, confrontare e verificare nuovi modelli previsionali. La ricerca è stata pubblicata sul Journal of Geophysical Research: Machine Learning and Computation e rientra tra i primi progetti sostenuti dal Grace Hopper AI Research Institute del NJIT, con ulteriore supporto dei programmi NASA dedicati all’eliofisica e allo space weather.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)