طور فريق من معهد نيوجيرسي للتكنولوجيا نموذج ذكاء اصطناعي قادرًا على التنبؤ بظهور المناطق النشطة على الشمس قبل نحو 9 ساعات، في تطور يمكن أن يسهم مستقبلًا في تحسين الإنذار المبكر بالعواصف الشمسية وحماية الأقمار الصناعية وشبكات الكهرباء والاتصالات.
وأظهرت الدراسة، المنشورة في دورية Journal of Geophysical Research: Machine Learning and Computation، أن نموذج «EarlyDetect» استطاع توقع ظهور المناطق النشطة قبل 9.24 ساعات في المتوسط، بعد تدريبه على بيانات حقيقية جمعها مرصد الديناميكيات الشمسية التابع لوكالة ناسا.
وتعد المناطق النشطة أجزاء شديدة المغناطيسية من الشمس، تتشكل فيها البقع الشمسية ويمكن أن تنطلق منها توهجات وانفجارات قوية تؤثر في البيئة الفضائية المحيطة بالأرض.
ويحلل النموذج تغيرات دقيقة في الموجات الصوتية والمجال المغناطيسي للشمس، إذ تترك المجالات المغناطيسية الصاعدة إشارات خافتة قبل ظهور المناطق النشطة على السطح.
واعتمد الباحثون في تطوير «EarlyDetect» على بنية Transformer، وهي التقنية الأساسية نفسها المستخدمة في نماذج لغوية كبيرة مثل ChatGPT، لكن النموذج دُرب على أنماط الرصد الشمسي بدلًا من النصوص.
وخلال التجارب، اكتشف الفريق أن تقنية استخدمت لتصفية الضوضاء كانت تحذف إشارات خافتة يحتاج إليها النموذج للتنبؤ، ما أدى إلى انخفاض دقته. وبعد الاستغناء عنها، تحسنت قدرته على رصد المؤشرات المبكرة.
واختبر الباحثون النموذج على مناطق شمسية لم يسبق له التعامل معها، وحقق نتائج تفوقت على نماذج سابقة.
ورغم النتائج، أكد الفريق أن التقنية ليست جاهزة بعد للاستخدام الفوري، إذ يمكن أن تنتج إنذارات كاذبة أو متأخرة، كما أن ظهور منطقة نشطة لا يعني بالضرورة وقوع توهج شمسي.
وأتاح الباحثون مجموعة بيانات «SolARED» ومنصة «SAR Portal» لدعم تطوير نماذج أكثر دقة، آملين أن تسهم التقنية مستقبلًا في منح القطاعات المتأثرة بالطقس الفضائي وقتًا إضافيًا للاستعداد للعواصف الشمسية.
وأظهرت الدراسة، المنشورة في دورية Journal of Geophysical Research: Machine Learning and Computation، أن نموذج «EarlyDetect» استطاع توقع ظهور المناطق النشطة قبل 9.24 ساعات في المتوسط، بعد تدريبه على بيانات حقيقية جمعها مرصد الديناميكيات الشمسية التابع لوكالة ناسا.
وتعد المناطق النشطة أجزاء شديدة المغناطيسية من الشمس، تتشكل فيها البقع الشمسية ويمكن أن تنطلق منها توهجات وانفجارات قوية تؤثر في البيئة الفضائية المحيطة بالأرض.
ويحلل النموذج تغيرات دقيقة في الموجات الصوتية والمجال المغناطيسي للشمس، إذ تترك المجالات المغناطيسية الصاعدة إشارات خافتة قبل ظهور المناطق النشطة على السطح.
واعتمد الباحثون في تطوير «EarlyDetect» على بنية Transformer، وهي التقنية الأساسية نفسها المستخدمة في نماذج لغوية كبيرة مثل ChatGPT، لكن النموذج دُرب على أنماط الرصد الشمسي بدلًا من النصوص.
وخلال التجارب، اكتشف الفريق أن تقنية استخدمت لتصفية الضوضاء كانت تحذف إشارات خافتة يحتاج إليها النموذج للتنبؤ، ما أدى إلى انخفاض دقته. وبعد الاستغناء عنها، تحسنت قدرته على رصد المؤشرات المبكرة.
واختبر الباحثون النموذج على مناطق شمسية لم يسبق له التعامل معها، وحقق نتائج تفوقت على نماذج سابقة.
ورغم النتائج، أكد الفريق أن التقنية ليست جاهزة بعد للاستخدام الفوري، إذ يمكن أن تنتج إنذارات كاذبة أو متأخرة، كما أن ظهور منطقة نشطة لا يعني بالضرورة وقوع توهج شمسي.
وأتاح الباحثون مجموعة بيانات «SolARED» ومنصة «SAR Portal» لدعم تطوير نماذج أكثر دقة، آملين أن تسهم التقنية مستقبلًا في منح القطاعات المتأثرة بالطقس الفضائي وقتًا إضافيًا للاستعداد للعواصف الشمسية.