新型AI可提前数小时探测到太阳爆发隐患|磁场|星系|日冕|天文台|超级地球

新型AI可提前数小时探测到太阳爆发隐患

2026-09-12 00:15:58　来源: 零度星系

四川举报

分享至

AI提前数小时精准探测太阳爆发隐藏信号

由新泽西理工学院（NJIT）牵头的研究团队开发了一种人工智能系统，该系统能够在太阳活动区——太阳风暴的潜在先兆——变得可见近9小时之前，发现其微弱的预警信号。图片来源：美国国家航空航天局戈达德太空飞行中心太阳动力学天文台（SDO）

人工智能平均提前约九个小时检测到正在形成的太阳活动区的微弱迹象。

在太阳黑子使太阳可见表面变暗之前，产生黑子的磁场活动就已经在人们看不见的地方发展了。这些早期变化很微弱，但研究人员表示，现在人工智能可以在新的太阳活动区变得可见数小时之前识别出它们。

一种名为EarlyDetect的模型能在活跃区域出现前平均近9小时检测到其形成迹象。该系统由新泽西理工学院（NJIT）牵头的研究团队开发，并发表于《地球物理研究期刊：机器学习与计算》。

EarlyDetect在太阳的声学活动和磁场中寻找前兆模式，这些信号是科学家们以前难以可靠识别的。

新泽西理工学院（NJIT）的本科生研究员乔纳斯蒂罗纳（JonasTirona）是该研究的通讯作者，他与新泽西理工学院的计算机科学家和太阳物理学家，以及来自普林斯顿大学和美国国家航空航天局（NASA）艾姆斯研究中心的合作人员共同开发了该模型。这项研究利用了美国国家航空航天局太阳动力学天文台（SDO）收集的观测数据。

Tirona是即将升入大四的计算机科学专业学生，也是AlbertDorman荣誉学院的学者，他表示：这项研究最有价值的发现是，我们可以利用机器学习提前预测太阳活动区何时出现。这种早期预警能让卫星通信公司或电网公司做好准备，潜在地减轻太阳风暴造成的损害。

这个可视化展示了利用磁场、连续谱强度和声功率观测数据呈现的太阳活动区AR11158的浮现过程。声功率下降首先出现，为活动区的浮现提供了早期迹象，随后是强度和磁场的变化。该可视化展示了EarlyDetect背后的数据分析流程，EarlyDetect是一个正在开发的用于预测活动区浮现的机器学习模型。该模型尚未投入使用。版权所有：伊琳娜N基季亚什维利（美国宇航局艾姆斯研究中心）和斯皮里东卡萨皮斯（普林斯顿大学）。

微弱的太阳振动揭示了隐藏的活动

活动区是太阳黑子形成的强磁活动区域。它们的出现过程会持续数小时，而完全形成则可能需要一到几天的时间。

在这些区域到达表面之前，上升的磁场会微妙地改变穿过太阳的声波。科学家可以利用日震学研究这些振动，该学科通过检测太阳内部的波来了解无法直接观测的过程。

EarlyDetect通过分析每小时的声功率地图以及来自美国国家航空航天局太阳动力学天文台的太阳磁场测量数据来搜索这些信号。

声学地图来自太阳动力学天文台（SDO）上搭载的日震与磁成像仪（HMI）每45秒记录一次的声波测量数据。

主要困难在于，太阳可见表面下方会形成活动区域，我们无法直接观测那里的磁结构，新泽西理工学院物理学杰出教授、该项目联合首席研究员亚历山大科索维奇夫表示。相反，我们正在寻找磁场以及持续穿过太阳的声波模式中的微小变化。这更像是在一个非常嘈杂的管弦乐队中检测到节奏的轻微变化。

去除噪音使预测结果更糟

EarlyDetect基于Transformer架构构建，这种AI技术与ChatGPT等大型语言模型所用的类型相同。不过，该模型并非学习语言中的统计模式，而是在太阳测量数据中寻找太阳活动变化之前出现的模式。

当蒂罗纳加入这个项目时，研究人员正在使用一种过滤方法，旨在让模型更易于识别重要的太阳模式。测试结果却显示相反情况。对观测数据进行过滤实际上降低了预测的质量。

这让我们最为惊讶，科索维切夫说，我们最初期望它能帮助分离出有用的短时间尺度模式。然而，它却把那些提供最早预警的极其微弱的波动给平均掉了。

这有点像降噪……它通常会去除loudnoises，这样你就能更好地看到整体趋势，Tirona说。但我们发现它在几乎所有情况下都是不利的。过滤器去除的信号结果证明对帮助模型预测活动区域何时出现非常重要。

这段图片将九天的太阳活动浓缩为仅四分钟，播放速度比实时快3240倍。鸣谢：斯科特维辛格（eMITS）编辑： AJ克里斯坦森（ADNET系统公司）科学作者：音乐：《原子漂移》，选自专辑《分子回声》。由拉斯莱昂哈德创作并制作。

EarlyDetect可提前约9小时发现信号

在用美国国家航空航天局（NASA）太阳动力学天文台（SDO）日震与磁成像仪（HMI）的测量数据对早期探测器（EarlyDetect）进行训练后，研究人员用未纳入其训练数据的活动区对它进行了测试。

该模型的最强版本平均在活动区域肉眼可见前9.24小时就检测到了先兆模式。其性能超过了标准的Transformer模型和早期的基准方法。

机器学习尚未被广泛应用于太阳活动预测，新泽西理工学院数据科学助理教授、该项目首席研究员徐梦佳表示，我们的工作表明，先进的机器学习模型可以为未来的空间天气预报开辟新的可能性。

这项研究是新泽西理工学院格蕾丝霍珀人工智能研究所支持的首批项目之一，该研究所成立旨在支持跨学科人工智能研究。这项工作还获得了美国国家航空航天局（NASA）太阳物理学和空间天气研究基金的支持，包括NASA科学DRIVE中心、太阳内外场与流的影响（COFFIES）项目。

研究人员还将他们的数据开放供他人使用。他们发布了太阳活动区浮现数据集（SolARED）——这是一个从SDO收集的太阳活动区观测结果的公共集合，以及太阳活动区（SAR）门户——一个用于探索这些观测结果的交互式平台。

这是首个针对太阳活动区浮现的公开数据集，徐说。它为机器学习和太阳物理学界提供了一个共享资源，用于开发和测试新的预测方法。

实时预测仍难以实现

蒂罗纳提醒说，尽管早期发现（EarlyDetect）系统表现不错，但它仍不能作为一个实用的实时预测系统。该系统是利用已知的疾病出现事件进行训练的，仍可能产生误报或预测滞后的情况。

探测到活动区的出现也并不意味着太阳耀斑或日冕物质抛射即将发生。许多活动区从未产生过重大爆发，研究人员仍需在更多的太阳事件中测试该模型。

我希望这个项目能让更多人了解机器学习如何为日球物理学做出贡献，蒂罗纳说，如果有一天这样的模型能帮助预测太阳天气事件，那可太酷了。我们目前还没达到那一步——但这是一个令人兴奋的进展。

参考文献：《机器学习与计算》。DOI10.10292025JH001207

这项工作得到了新泽西理工学院（NJIT）格蕾丝霍珀人工智能研究所种子基金（基金号179025）的支持。这项工作还得到了美国国家航空航天局（NASA）人工智能机器学习HECC扩展计划以及NASA基金（基金号24HGIO24_20101、23HGIO23_20077、20HSR20_20037、80NSSC19K0630、80NSSC19K0268、80NSSC20K1870和80NSSC22M0162）的支持。徐和帕蒂尔部分得到了美国能源部（DOE）SEACROGS项目（项目号DESC0023191）和美国空军科学研究办公室（AFOSR）项目（项目号FA95502410231）的支持。