الملخص:
قام فريق بحثي بقيادة معهد نيوجيرسي للتكنولوجيا في الولايات المتحدة بتطوير نظام ذكاء اصطناعي يمكنه تحديد إشارات التحذير الضعيفة للغاية مقدما قبل ظهور المناطق النشطة الشمسية فعليا على السطح المرئي. وتظهر الأبحاث أن النظام يمكنه اكتشاف علامات تشكيل مناطق نشطة جديدة قبل ما يقرب من تسع ساعات في المتوسط، مما يوفر إمكانيات جديدة للتنبؤ بالعواصف الشمسية في المستقبل.
قبل أن تؤدي البقع الشمسية إلى قتامة سطح الشمس المرئي، فإن النشاط المغناطيسي الذي يتسبب في ظهورها يتطور بهدوء داخل الشمس. هذه التغييرات المبكرة ضعيفة للغاية لدرجة أنه كان من الصعب على العلماء منذ فترة طويلة تحديدها بشكل ثابت. الآن، أصبح نموذج الذكاء الاصطناعي المسمى "EarlyDetect" قادرًا على العثور على أدلة ذات صلة بالنشاط الصوتي للشمس وتغيرات المجال المغناطيسي، والكشف عن سلائف المناطق النشطة الشمسية الجديدة بمتوسط 9.24 ساعة قبل أن تصبح مرئية.
تم الانتهاء من هذه الدراسة من قبل فريق بحث معهد نيوجيرسي للتكنولوجيا، ونشرت النتائج في "مجلة البحوث الجيوفيزيائية: التعلم الآلي والحوسبة" في 14 أغسطس. وقد تم تطوير النموذج من قبل جوناس تيرونا، وهو باحث جامعي في معهد نيوجيرسي للتكنولوجيا بالتعاون مع علماء الكمبيوتر وعلماء الفيزياء الشمسية في المدرسة، وكذلك الباحثين في جامعة برينستون ومركز أبحاث أميس التابع لناسا. استخدمت الدراسة بيانات من مرصد ديناميكيات الطاقة الشمسية التابع لناسا.
وقال تيرونا إن القيمة الكبرى لهذا العمل هي أنه يثبت أن التعلم الآلي يمكنه التنبؤ مسبقًا بموعد ظهور المناطق النشطة الشمسية. إذا كان من الممكن مواصلة تطوير أنظمة الإنذار المبكر الموثوقة، فقد تتمكن شركات الاتصالات عبر الأقمار الصناعية ومشغلي شبكات الطاقة من اتخاذ تدابير مسبقة للحد من الأضرار المحتملة الناجمة عن العواصف الشمسية.
المنطقة الشمسية النشطة هي منطقة ذات نشاط مغناطيسي قوي للغاية، حيث تتشكل البقع الشمسية عادة. غالبًا ما يستغرق ظهور المنطقة النشطة ووصولها إلى سطح الشمس عدة ساعات، وقد يستغرق الأمر من يوم إلى عدة أيام حتى تتشكل بشكل كامل.
قبل أن تصل هذه المناطق إلى سطح الشمس، يكون للمجال المغناطيسي الصاعد تأثيرات طفيفة على الموجات الصوتية التي تنتقل عبر باطن الشمس. ويمكن للعلماء دراسة هذه الاهتزازات من خلال "علم الهيليوسيزمولوجيا" باستخدام الموجات المنتشرة داخل الشمس لتحليل العمليات الداخلية التي لا يمكن ملاحظتها بشكل مباشر.
يبحث برنامج EarlyDetect عن الأنماط غير الطبيعية قبل تكوين المناطق النشطة من خلال تحليل خرائط الطاقة الصوتية التي يتم إنشاؤها كل ساعة ودمجها مع بيانات قياس المجال المغناطيسي الشمسي. تأتي البيانات الصوتية من جهاز التصوير الهليوسيزمي والمغناطيسي الموجود في مرصد ديناميكيات الطاقة الشمسية. ويسجل الجهاز قياسات صوتية كل 45 ثانية، مما يسمح للباحثين ببناء صورة للنشاط الصوتي داخل الشمس.
وأشار ألكسندر كوسوفيتشيف، أستاذ الفيزياء المتميز في معهد نيوجيرسي للتكنولوجيا والقائد المشارك للمشروع، إلى أن الصعوبة الرئيسية التي يواجهها البحث هي أن المنطقة النشطة الشمسية تتشكل في البداية تحت السطح المرئي، ولا يستطيع العلماء مراقبة بنيتها المغناطيسية بشكل مباشر. ونتيجة لذلك، لا يمكن للباحثين سوى البحث عن تغييرات صغيرة للغاية في المجال المغناطيسي للشمس وأنماط انتشار الموجات الصوتية. تشبه هذه العملية تمييز التغييرات الطفيفة في الإيقاع في أوركسترا صاخبة.
يستخدم EarlyDetect بنية المحولات. يُستخدم هذا النوع من تكنولوجيا الذكاء الاصطناعي أيضًا على نطاق واسع في نماذج اللغات الكبيرة مثل ChatGPT. ومع ذلك، لا يقوم برنامج EarlyDetect بتحليل اللغة، ولكنه يبحث عن الأنماط الإحصائية في بيانات مراقبة الطاقة الشمسية التي قد تشير إلى تغيرات في النشاط الشمسي.
خلال عملية البحث، وجد الفريق أيضًا أن طريقة الترشيح المستخدمة في الأصل لإزالة الضوضاء ومساعدة النموذج على تحديد الإشارات الشمسية المهمة قللت بالفعل من تأثير التنبؤ.
عندما انضمت تيرونا إلى المشروع، كان الباحثون يستخدمون تقنية الترشيح على أمل تسليط الضوء على الأنماط الشمسية المهمة على نطاقات زمنية قصيرة. لكن نتائج الاختبار تظهر أن تصفية بيانات الرصد تؤدي إلى انخفاض جودة تنبؤ النموذج. وقال كوسوفيتشيف إن فريق البحث اعتقد في البداية أن الترشيح يمكن أن يعزل الإشارات المفيدة، لكنه وجد أنه يحسب متوسط التقلبات الأضعف والأقدم.
شبهت تيرونا العملية بتقنية تقليل الضوضاء. عادةً، يمكن للحد من الضوضاء إزالة الضوضاء القوية وجعل الاتجاهات العامة أكثر وضوحًا، لكن الباحثين وجدوا أنه في جميع الحالات تقريبًا، كان لتقليل الضوضاء تأثير سلبي. الإشارات التي تمت تصفيتها هي على وجه التحديد المعلومات المهمة التي تساعد النموذج في تحديد وقت ظهور المنطقة النشطة.
استخدم الباحثون بيانات من مرصد ديناميكيات الطاقة الشمسية التابع لناسا وجهاز التصوير الهليوسيزمي والمغناطيسي لتدريب الكشف المبكر، ثم طلبوا من النموذج تحليل المناطق النشطة الشمسية التي لم تظهر في بيانات التدريب لاختبار قدرتها على التعميم.
تظهر النتائج أن النموذج الأفضل أداءً كان قادرًا على تحديد السلائف ذات الصلة بمتوسط 9.24 ساعة قبل أن تصبح المناطق النشطة الشمسية مرئية، متفوقًا في الأداء على نموذج المحول القياسي والطرق الأساسية المستخدمة سابقًا.
وقال مينججيا شو، الأستاذ المساعد لعلوم البيانات في معهد نيوجيرسي للتكنولوجيا ورئيس المشروع، إن التعلم الآلي لم يستخدم على نطاق واسع بعد في التنبؤ بالنشاط الشمسي، لكن هذه الدراسة تظهر أن نماذج التعلم الآلي المتقدمة قد تفتح اتجاهات جديدة للتنبؤ بالطقس الفضائي في المستقبل.
يعد هذا البحث أيضًا أحد المشاريع الأولى التي يدعمها معهد جريس هوبر للذكاء الاصطناعي في معهد نيوجيرسي للتكنولوجيا. تأسس المعهد في عام 2025 لتعزيز البحوث متعددة التخصصات في مجال الذكاء الاصطناعي. تلقى المشروع أيضًا دعمًا من برامج أبحاث الفيزياء الشمسية والطقس الفضائي التابعة لناسا، بما في ذلك مركز الأبحاث والابتكار القائم على العلوم وعواقب المجالات والتدفقات داخل وخارج الشمس.
من أجل تعزيز أبحاث المتابعة، كشف الفريق أيضًا عن موارد البيانات ذات الصلة. أطلقوا مجموعة بيانات تكوين المنطقة النشطة للطاقة الشمسية، أو SolARED. هذه قاعدة بيانات للمناطق النشطة للطاقة الشمسية تم تجميعها بناءً على ملاحظات من مرصد ديناميكيات الطاقة الشمسية. بالإضافة إلى ذلك، أنشأ الباحثون أيضًا بوابة للمنطقة النشطة للطاقة الشمسية لتزويد المستخدمين بقدرات تصفح بيانات المراقبة التفاعلية.
قال شو إن هذه هي أول مجموعة بيانات لتكوين المنطقة النشطة للطاقة الشمسية مفتوحة للجمهور ويمكن أن توفر موردًا مشتركًا لمجتمعات أبحاث التعلم الآلي والفيزياء الشمسية لتطوير واختبار طرق التنبؤ الجديدة.
ومع ذلك، أكد فريق البحث أنه لا يمكن استخدام EarlyDetect حتى الآن كنظام تنبؤ تشغيلي في الوقت الفعلي. تم تدريب النموذج على الأحداث المعروفة لتكوين المنطقة النشطة للطاقة الشمسية وقد يستمر في إصدار إنذارات كاذبة أو إعطاء تنبؤات بعد حدوث المناطق النشطة بالفعل.
علاوة على ذلك، فإن تحديد أن المنطقة النشطة الشمسية تتشكل لا يعني أن التوهج الشمسي أو قذف الكتلة الإكليلية وشيك. العديد من المناطق النشطة للطاقة الشمسية لا تنتج في نهاية المطاف انفجارات واسعة النطاق. ويحتاج الباحثون أيضًا إلى إجراء المزيد من اختبارات النموذج باستخدام عدد أكبر ونطاق أوسع من الأحداث الشمسية.
أعرب تيرونا عن أمله في أن يؤدي هذا البحث إلى توعية المزيد من الناس بإمكانيات التعلم الآلي في مجال الفيزياء الشمسية. سيكون من المثير للاهتمام للغاية أن يساعد نوع ما من النماذج في التنبؤ بأحداث الطقس الفضائي في المستقبل. ومع ذلك، لا تزال الأبحاث الحالية بعيدة بعض الشيء عن هذا الهدف، وهذه النتيجة مجرد نقطة بداية مثيرة.
التعليقات