详细内容或原文请订阅后点击阅览
新的人工智能在太阳喷发出现前数小时检测到隐藏的警告信号
平均而言，人工智能在新兴太阳活动区域出现之前大约九小时就发现了它们的微弱迹象。在太阳黑子使太阳可见表面变暗之前，产生黑子的磁活动就已经发展到看不见的地方了。这些早期的变化很微弱，但研究人员表示，人工智能现在可以在 [...]
来源:SciTech日报平均而言，人工智能在新兴太阳活动区域出现之前大约九小时就发现了它们的微弱迹象。
在太阳黑子使太阳可见表面变暗之前，产生黑子的磁活动就已经发展到看不见的程度了。这些早期的变化是微弱的，但研究人员表示，人工智能现在可以在新的太阳活动区域出现之前几个小时识别它们。
一个名为 EarlyDetect 的模型平均在新兴活动区域出现前近九个小时就检测到了它们的迹象。该系统由新泽西理工学院 (NJIT) 领导的研究团队开发，并于 8 月 14 日在《地球物理研究杂志：机器学习与计算》上进行了描述。
EarlyDetect 搜索太阳声学活动和磁场中的前兆模式，这些信号是科学家此前一直难以可靠识别的信号。
NJIT 本科研究员 Jonas Tirona（该研究的通讯作者）与 NJIT 的计算机科学家和太阳物理学家以及普林斯顿大学和 NASA 艾姆斯研究中心的合作者共同开发了该模型。这项工作使用了美国宇航局太阳动力学观测站（SDO）收集的观测数据。
“这项工作显示的最有价值的事情是，我们可以使用机器学习来提前预测太阳活动区域何时出现，”即将就读计算机科学专业的大四学生、阿尔伯特·多尔曼荣誉学院学者蒂罗纳 (Tirona) 说。 “这种早期预警可以让卫星通信公司或电网公司做好准备，并可能减轻太阳风暴造成的损害。”
该可视化使用磁场、连续强度和声功率观测显示了太阳活动区域 AR11158 的出现。首先出现声功率下降，提供出现的早期迹象，然后强度和磁场发生变化。该可视化展示了 EarlyDetect 背后的数据分析管道，这是一种正在开发的机器学习模型，用于预测活动区域的出现。该模型尚未投入运行。图片来源：Irina N. Kitiashvili（美国宇航局艾姆斯研究中心）和 Spiridon Kasapis（普林斯顿大学）。
微弱的太阳振动揭示隐藏的活动
活跃区域是太阳黑子形成的强烈磁活动区域。它们的出现需要几个小时，而完整的发育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。科学家可以使用日震学来研究这些振动，日震学检查太阳内部的波以了解无法直接观察到的过程。
EarlyDetect 通过分析每小时的声功率图以及 NASA 太阳动力学观测站的太阳磁场测量值来搜索这些信号。
声学图来自 SDO 上的日震和磁成像仪 (HMI) 每 45 秒记录一次的声波测量结果。
“主要困难在于，一个活跃区域开始在太阳可见表面下方形成，我们无法直接观察到磁结构，”新泽西理工学院杰出物理学教授、该项目联合首席研究员亚历山大·科索维切夫 (Alexander Kosovichev) 说道。 “相反，我们正在寻找磁场和持续穿过太阳的声波模式的非常小的变化。这更像是检测一个非常嘈杂的管弦乐队中节奏的轻微变化。”
消除噪音会使预测变得更糟
EarlyDetect 大约提前九小时发现信号
实时预测仍然遥不可及
EarlyDetect 围绕 Transformer 架构构建，该架构与 ChatGPT 等大型语言模型使用的人工智能技术相同。然而，该模型不是学习语言中的统计模式，而是搜索太阳测量结果，以寻找太阳活动变化之前的模式。
当 Tirona 去年加入该项目时，研究人员正在使用一种过滤方法，旨在使重要的太阳模式更容易被模型识别。测试结果却恰恰相反。过滤观测结果实际上降低了预测的质量。
“这最让我们惊讶，”科索维切夫说。 “我们最初期望它能够帮助隔离有用的短时间尺度模式。相反，它平均掉了提供最早警告的非常微弱的波动。”
“这有点像降噪……它通常会消除大声的噪音，这样你就可以更好地看到整体趋势，”蒂罗纳说。 “但我们发现它在几乎所有情况下都是有害的。事实证明，过滤器删除的信号对于帮助模型预测活跃区域何时出现非常重要。”
该视频将 9 天的太阳活动浓缩为短短 4 分钟，播放速度比实时快 3,240 倍。图片来源：NASA 戈达德太空飞行中心/SDO 制作人：Scott Wiessinger (eMITS) 编辑：Scott Wiessinger (eMITS) 展示者：AJ Christensen (ADNET Systems, Inc.) 科学作家：Miles S. Hatfield (Telophase) 音乐来源：《分子回声》专辑中的“原子漂移”。由拉斯·莱昂哈德编剧并制作。
在使用 NASA SDO/HMI 的测量数据对 EarlyDetect 进行训练后，研究人员使用训练数据中未包含的活动区域对其进行了挑战。
该模型的最强版本平均在活动区域变得可见之前 9.24 小时检测到前兆模式。其性能超过了标准 Transformer 模型和早期的基准测试方法。
“机器学习尚未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兼该项目首席研究员徐孟佳表示。 “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。”
该研究是 NJIT Grace Hopper AI 研究所支持的首批项目之一，该研究所成立于 2025 年，旨在支持跨学科人工智能研究。这项工作还得到了 NASA 太阳物理学和空间天气研究资助的支持，包括 NASA Science DRIVE 中心、太阳内部和外部场和流的后果 (COFFIES)。
研究人员还将他们的数据提供给其他人使用。他们发布了太阳活动区出现数据集 (SolARED)，这是由 SDO 收集的活动区观测数据的公共集合，以及太阳活动区 (SAR) 门户，这是一个用于探索观测结果的互动平台。
“这是第一个关于太阳活动区域出现的公共数据集，”徐说。 “它为机器学习和太阳物理学社区提供了共享资源，以开发和测试新的预测方法。”
Tirona 警告说，尽管 EarlyDetect 性能出色，但它还不能作为一个可操作的实时预报系统。它是使用已知的突发事件进行训练的，但仍然可以生成错误警报或来得太晚的预测。
“我希望这个项目能让人们更多地认识到机器学习如何为太阳物理学做出贡献，”Tirona 说。 “如果这样的模型有一天能够帮助预测太阳天气事件，那真是太酷了。我们还没有做到这一点——但这是令人兴奋的一步。”
检测到活动区域的出现也不意味着太阳耀斑或日冕物质抛射即将发生。许多活跃区域从未发生过大规模喷发，研究人员仍然需要在更多的太阳事件中测试该模型。
参考文献：“使用变压器预测太阳活动区域出现的连续强度”作者：Jonas Tirona、Sarang Patil、Spiridon Kasapis、Eren Dogan、John Stefan、Irina N. Kitiashvili、Alexander G. Kosovichev 和Mengjia Xu，2026 年 8 月 14 日，地球物理研究杂志：机器学习与计算。
DOI: 10.1029/2025JH001207
这项工作得到了新泽西理工学院 (NJIT) Grace Hopper AI 研究所 (GHAIRI) 种子基金（格兰特 179025）的支持。这项工作得到了 NASA AI/ML HECC 扩展计划和 NASA 拨款 24-HGIO24_2-0101、23-HGIO23_2-0077、20-HSR20_2-0037、80NSSC19K0630、80NSSC19K0268、80NSSC20K1870 和80NSSC22M0162。 Xu 和 Patil 得到了 DOE SEA-CROGS 项目 (DE-SC0023191) 和 AFOSR 项目 (FA9550-24-1-0231) 的部分支持。
不错过突破：加入 SciTechDaily 时事通讯。在 Google 和 Google 新闻上关注我们。