Resumen:
Un equipo de investigación dirigido por el Instituto de Tecnología de Nueva Jersey (Estados Unidos) ha desarrollado un sistema de inteligencia artificial que puede identificar señales de advertencia extremadamente débiles por adelantado antes de que aparezcan áreas solares activas en la superficie visible. Las investigaciones muestran que el sistema puede detectar signos de formación de nuevas áreas activas con casi nueve horas de antelación en promedio, lo que brinda nuevas posibilidades para predecir tormentas solares en el futuro.
Antes de que las manchas solares oscurezcan la superficie visible del sol, la actividad magnética que las crea se está desarrollando silenciosamente dentro del sol. Estos primeros cambios son tan débiles que durante mucho tiempo ha sido difícil para los científicos identificarlos de manera estable. Ahora, un modelo de inteligencia artificial llamado "EarlyDetect" es capaz de encontrar pistas relevantes en la actividad acústica del sol y en los cambios del campo magnético, detectando los precursores de nuevas regiones solares activas una media de 9,24 horas antes de que se hagan visibles.
Este estudio fue completado por el equipo de investigación del Instituto de Tecnología de Nueva Jersey y los resultados se publicaron en el "Journal of Geophysical Research: Machine Learning and Computing" el 14 de agosto. El modelo fue desarrollado por Jonas Tirona, investigador universitario del Instituto de Tecnología de Nueva Jersey en colaboración con científicos informáticos y físicos solares de la escuela, así como investigadores de la Universidad de Princeton y el Centro de Investigación Ames de la NASA. El estudio utilizó datos del Observatorio de Dinámica Solar de la NASA.
Tirona dijo que el mayor valor de este trabajo es que demuestra que el aprendizaje automático puede predecir de antemano cuándo aparecerán áreas solares activas. Si se pueden seguir desarrollando sistemas fiables de alerta temprana, las empresas de comunicaciones por satélite y los operadores de redes eléctricas podrán tomar medidas por adelantado para reducir los posibles daños causados por las tormentas solares.
La región activa solar es un área con una actividad magnética extremadamente fuerte, donde normalmente se forman manchas solares. A menudo, una región activa tarda varias horas en aparecer y alcanzar la superficie del sol, y puede tardar entre uno y varios días en formarse por completo.
Antes de que estas regiones alcancen la superficie del Sol, el campo magnético ascendente tiene efectos sutiles en las ondas sonoras que viajan a través del interior del Sol. Los científicos pueden estudiar estas vibraciones mediante la "heliosismología", utilizando las ondas que se propagan dentro del sol para analizar procesos internos que no se pueden observar directamente.
EarlyDetect busca patrones anormales antes de la formación de regiones activas analizando mapas de potencia acústica generados cada hora y combinándolos con datos de medición del campo magnético solar. Los datos acústicos provienen del generador de imágenes heliosísmicas y magnéticas del Observatorio de Dinámica Solar. El instrumento registra mediciones acústicas cada 45 segundos, lo que permite a los investigadores construir una imagen de la actividad acústica dentro del Sol.
Alexander Kosovichev, profesor distinguido de Física en el Instituto de Tecnología de Nueva Jersey y codirector del proyecto, señaló que la principal dificultad que enfrenta la investigación es que la región activa solar se forma inicialmente debajo de la superficie visible, y los científicos no pueden observar directamente su estructura magnética. Como resultado, los investigadores sólo pueden buscar cambios extremadamente pequeños en el campo magnético del Sol y en los patrones de propagación de las ondas sonoras. El proceso es como discernir cambios sutiles en el ritmo de una orquesta ruidosa.
EarlyDetect utiliza la arquitectura Transformer. Este tipo de tecnología de inteligencia artificial también se utiliza ampliamente en modelos de lenguajes grandes como ChatGPT. Sin embargo, EarlyDetect no analiza el lenguaje, sino que busca patrones estadísticos en los datos de observación solar que puedan indicar cambios en la actividad solar.
Durante el proceso de investigación, el equipo también descubrió que el método de filtrado utilizado originalmente para eliminar el ruido y ayudar al modelo a identificar señales solares importantes en realidad reducía el efecto de predicción.
Cuando Tirona se unió al proyecto, los investigadores estaban utilizando una técnica de filtrado con la esperanza de resaltar patrones solares importantes en escalas de tiempo cortas. Pero los resultados de las pruebas muestran que filtrar los datos de observación degrada la calidad de predicción del modelo. Kosovichev dijo que el equipo de investigación inicialmente pensó que el filtrado podría aislar señales útiles, pero descubrió que promediaba las fluctuaciones más débiles pero más tempranas.
Tirona comparó el proceso con la tecnología de reducción de ruido. Normalmente, la reducción de ruido puede eliminar el ruido fuerte y aclarar las tendencias generales, pero los investigadores encontraron que en casi todos los casos, la reducción de ruido tuvo un impacto negativo. Las señales filtradas son precisamente la información importante que ayuda al modelo a determinar cuándo aparece el área activa.
Los investigadores utilizaron datos del Observatorio de Dinámica Solar de la NASA y el generador de imágenes heliosísmicas y magnéticas para entrenar EarlyDetect, y luego pidieron al modelo que analizara áreas solares activas que no aparecían en los datos de entrenamiento para probar su capacidad de generalización.
Los resultados muestran que el modelo de mejor rendimiento fue capaz de identificar precursores relevantes en promedio 9,24 horas antes de que las áreas solares activas se hicieran visibles, superando al modelo Transformer estándar y a los métodos de referencia utilizados anteriormente.
Mengjia Xu, profesora asistente de ciencia de datos en el Instituto de Tecnología de Nueva Jersey y líder del proyecto, dijo que el aprendizaje automático aún no se ha utilizado ampliamente en la predicción de la actividad solar, pero este estudio muestra que los modelos avanzados de aprendizaje automático pueden abrir nuevas direcciones para el futuro pronóstico del clima espacial.
Esta investigación es también uno de los primeros proyectos apoyados por el Instituto Grace Hopper de Inteligencia Artificial del Instituto de Tecnología de Nueva Jersey. El instituto se creó en 2025 para promover la investigación interdisciplinaria en el campo de la inteligencia artificial. El proyecto también recibió apoyo de los programas de investigación de Heliofísica y Clima Espacial de la NASA, incluido el Centro para la Investigación e Innovación Científica y las Consecuencias de los Campos y Flujos que entran y salen del Sol.
Para promover la investigación de seguimiento, el equipo también reveló recursos de datos relevantes. Publicaron el conjunto de datos de formación del área activa solar, o SolARED. Esta es una base de datos de áreas solares activas compilada a partir de observaciones del Observatorio de Dinámica Solar. Además, los investigadores también establecieron un portal de área solar activa para proporcionar a los usuarios funciones interactivas de exploración de datos de observación.
Xu dijo que este es el primer conjunto de datos de formación de áreas solares activas abierto al público y puede proporcionar un recurso común para que las comunidades de investigación de heliofísica y aprendizaje automático desarrollen y prueben nuevos métodos de predicción.
Sin embargo, el equipo de investigación enfatizó que EarlyDetect aún no se puede utilizar como un sistema de pronóstico operativo en tiempo real. El modelo fue entrenado en eventos conocidos de formación de regiones solares activas y aún puede emitir falsas alarmas o dar predicciones después de que ya hayan ocurrido regiones activas.
Además, identificar que se está formando una región solar activa no significa que una llamarada solar o una eyección de masa coronal sea inminente. Muchas regiones solares activas finalmente no producen explosiones a gran escala. Los investigadores también necesitan probar más el modelo utilizando un mayor número y una gama más amplia de eventos solares.
Tirona expresó la esperanza de que esta investigación concientice a más personas sobre el potencial del aprendizaje automático en el campo de la física solar. Sería muy interesante si algún tipo de modelo pudiera ayudar a predecir eventos climáticos espaciales en el futuro. Sin embargo, las investigaciones actuales todavía están lejos de alcanzar este objetivo, y este resultado es sólo un interesante punto de partida.
Comentarios