Yapay zeka, ortaya çıkan aktif güneş bölgelerinin zayıf belirtilerini, ortalama olarak görünür hale gelmelerinden yaklaşık dokuz saat önce tespit etti.

Güneş lekeleri Güneş’in görünür yüzeyini karartmadan önce, onları oluşturan manyetik aktivite zaten gözden uzak bir şekilde gelişmeye başlar.

Bu erken değişiklikler çok hafiftir, ancak araştırmacılar yapay zekanın artık yeni bir aktif güneş bölgesinin görünür hale gelmesinden saatler önce bunları tanıyabildiğini söylüyor.

EarlyDetect (ErkenTespit) adı verilen bir model, aktif bölgelerin ortaya çıkışındaki belirtileri, ortalama olarak görünmelerinden yaklaşık dokuz saat önce tespit edebildi.

Sistem, New Jersey Teknoloji Enstitüsü (NJIT) liderliğindeki araştırmacılar tarafından geliştirildi. EarlyDetect’le, Güneş’in akustik aktivitesinde ve manyetik alanında, bilim insanlarının daha önce güvenilir bir şekilde tespit etmekte zorlandığı öncü desenleri aradılar.

Çalışmanın lideri, NJIT’den Jonas Tirona, modeli, NJIT’deki bilgisayarcılar ve güneş fizikçileri ile Princeton Üniversitesi ve Ames Araştırma Merkezi’nden araştırmacılarla birlikte geliştirdi. Çalışmada Güneş Dinamiği Gözlemevi’nin (SDO) verileri kullanıldı.

Bilgisayar bilimlerinden Albert Dorman ve Onur Koleji’nden Tirona, “bu çalışmanın en değerli yanı, makine öğrenimini kullanarak güneş enerjik aktif bölgelerinin ne zaman ortaya çıkacağını önceden tahmin edebileceğimizi göstermesidir.” 

“Bu erken uyarı, uydu iletişim şirketlerinin veya elektrik şebekesi şirketlerinin hazırlık yapmasına ve güneş fırtınalarından kaynaklanabilecek hasarı potansiyel olarak azaltmasına olanak sağlayabilir” dediler.

Bu görselleştirme, manyetik alan, sürekli yoğunluk ve akustik güç gözlemlerini kullanarak AR11158 güneş aktif bölgesinin ortaya çıkışını göstermektedir. İlk olarak akustik güçte bir düşüş görülmekte ve bu da ortaya çıkışın erken bir işaretini vermektedir; bunu yoğunluk ve manyetik alandaki değişiklikler takip etmektedir. Görselleştirme, aktif bölge ortaya çıkışını tahmin etmek için geliştirilen bir makine öğrenme modeli olan EarlyDetect’in arkasındaki veri analiz sürecini göstermektedir. 

Zayıf güneş titreşimleri gizli faaliyetleri ortaya çıkarıyor

Aktif bölgeler, güneş lekelerinin oluştuğu yoğun manyetik aktivite alanlarıdır. Ortaya çıkışları birkaç saat sürerken, tam gelişimleri bir ila birkaç gün sürebilir.

Bu bölgeler yüzeye ulaşmadan önce, yükselen manyetik alanlar Güneş’in içinden geçen akustik dalgalarını ince bir şekilde değiştirir.

Bilim insanları, doğrudan gözlemlenemeyen süreçler hakkında bilgi edinmek için Güneş’in içindeki dalgaları inceleyen helyosismoloji yöntemini kullanarak bu titreşimleri inceleyebilirler.

EarlyDetect, bu sinyalleri SDO’dan elde edilen güneş manyetik alanı ölçümleriyle birlikte akustik gücün saatlik haritalarını analiz ederek arayabiliyor.

Akustik haritalar, SDO üzerindeki Helyosismik ve Manyetik Görüntüleyici (HMI) tarafından her 45 saniyede bir kaydedilen ses dalgası ölçümlerinden elde edildi.

NJIT’den Prof. Alexander Kosovichev, “asıl zorluk, aktif bir bölgenin Güneş’in görünür yüzeyinin altında gelişmeye başlaması ve burada manyetik yapıyı doğrudan gözleyememizdedir.”

“Bunun yerine, manyetik alandaki ve Güneş’ten sürekli olarak geçen akustik dalgaların desenindeki çok küçük değişiklikleri arıyoruz. Bu, çok gürültülü bir orkestranın ritimdeki hafif bir değişikliği tespit etmeye benziyor” dedi.

Gürültüyü ortadan kaldırmak tahminleri daha da kötüleştirdi.

EarlyDetect, ChatGPT gibi büyük dil modelleri tarafından kullanılan geniş bir yapay zeka teknolojisi türü olan Transformer mimarisi üzerine kurulmuştu.

Ancak bu model, dildeki istatistiksel kalıpları öğrenmek yerine, Güneş’in aktivitesindeki değişikliklerden önce gelen kalıpları bulmak için güneş ölçümlerini inceleyecektir.

Tirona projeye katıldığında, araştırmacılar modelin önemli güneş desenlerini daha kolay tanımasını sağlamayı amaçlayan bir filtreleme yöntemi kullanıyorlardı. Testler bunun tam tersini ortaya koydu. Gözlemlerin filtrelenmesi aslında tahminlerin kalitesini düşürdü.

Kosovichev, “en çok bu bizi şaşırttı. Başlangıçta bunun kısa vadeli, faydalı kalıpları belirlemeye yardımcı olacağını bekliyorduk. Bunun yerine, en erken uyarıyı sağlayan çok zayıf dalgalanmaları ortadan kaldırdı” dedi.

Tirona, “bu bir nevi gürültü engelleme gibi. Normalde yüksek sesleri ortadan kaldırarak genel eğilimi daha iyi görmenizi sağlıyor. Ancak neredeyse her durumda zararlı olduğunu gördük.”

“Filtrenin ortadan kaldırdığı sinyallerin, modelin aktif bir bölgenin ne zaman ortaya çıkacağını tahmin etmesine yardımcı olmak açısından gerçekten önemli olduğu ortaya çıktı” dedi.

Bu video, dokuz günlük güneş aktivitesini sadece dört dakikaya sıkıştırıyor ve gerçek zamandan 3240 kat daha hızlı oynatıyor. 

EarlyDetect sinyalleri yaklaşık dokuz saat öncesinden tespit ediyor.

Araştırmacılar, EarlyDetect’i NASA’nın SDO/HMI verilerinden elde edilen ölçümlerle eğittikten sonra, eğitim verilerinde yer almayan aktif bölgelerle test ettiler.

Modelin en güçlü versiyonu, aktif bölgeler görünür hale gelmeden ortalama 9,24 saat önce öncü desenleri tespit etti. Performansı hem standart bir Transformer modelini hem de daha önceki bir kıyaslama yöntemini geride bıraktı.

NJIT’den Mengjia Xu, “makine öğrenimi henüz güneş aktivitesi tahmininde yaygın olarak uygulanmadı. Çalışmamız, gelişmiş makine öğrenimi modellerinin gelecekteki uzay hava durumu tahminleri için yeni olanaklar açabileceğini gösteriyor” dedi.

Araştırmacılar verilerini başkalarının kullanımına da açtılar. SDO’dan derlenen aktif bölge gözlemlerinin herkese açık bir koleksiyonu olan Güneş Aktif Bölge Ortaya Çıkış Veri Seti’ni (SolARED) ve gözlemleri keşfetmek için etkileşimli bir platform olan Güneş Aktif Bölge (SAR) Portalı’nı yayınladılar.

Xu, “bu, güneş aktif bölgelerinin ortaya çıkışına ilişkin ilk kamuya açık veri setidir. Bu, hem makine öğrenimi hem de helyofizik topluluklarının yeni tahmin yaklaşımları geliştirmesi ve test etmesi için ortak bir kaynak sağlıyor” dedi.

Gerçek zamanlı tahminleme hâlâ ulaşılamaz durumda.

Tirona, EarlyDetect’in performansına rağmen henüz operasyonel bir gerçek zamanlı tahmin sistemi olarak hizmet veremeyeceğini belirtti. Sistem, bilinen ortaya çıkış olayları kullanılarak eğitildi ve hala yanlış alarmlar veya çok geç gelen tahminler üretebiliyor.

Aktif bir bölgenin ortaya çıkışının tespit edilmesi, güneş patlaması veya koronal kütle atılımının yakında gerçekleşeceği anlamına gelmez. Birçok aktif bölge hiçbir zaman büyük patlamalar üretmez ve araştırmacıların modeli çok daha fazla sayıda güneş olayı üzerinde test etmeleri gerekmektedir.

Tirona, “Umarım bu proje, makine öğreniminin helyofiziğe nasıl katkıda bulunabileceği konusunda daha fazla farkındalık yaratır. Böyle bir modelin bir gün güneş hava olaylarını tahmin etmeye yardımcı olması gerçekten harika olurdu. Henüz o noktada değiliz, ancak bu heyecan verici bir adım” dedi.