要約:
米国のニュージャージー工科大学が率いる研究チームは、太陽活動領域が実際に目に見える表面に現れる前に、非常に弱い警告信号を事前に識別できる人工知能システムを開発しました。研究によると、このシステムは新しい活動領域の形成の兆候を平均してほぼ9時間前に検出でき、将来の太陽嵐を予測する新たな可能性を提供します。
黒点が太陽の目に見える表面を暗くする前に、黒点を生み出す磁気活動は実際には太陽の内部で静かに進行しています。これらの初期の変化は非常に弱いため、科学者が安定して特定することは長い間困難でした。現在、「EarlyDetect」と呼ばれる人工知能モデルは、太陽の音響活動と磁場の変化から関連する手がかりを見つけることができ、新たな太陽活動領域の前駆体を可視化される平均9.24時間前に検出できるようになった。
この研究はニュージャージー工科大学の研究チームによって完了し、その結果は 8 月 14 日付けの「Journal of Geophysical Research: Machine Learning and Computing」に掲載されました。このモデルは、ニュージャージー工科大学の学部研究員である Jonas Tirona が、同校のコンピュータ科学者や太陽物理学者、プリンストン大学と NASA のエイムズ研究センターの研究者と協力して開発しました。この研究では、NASA の太陽力学観測所のデータが使用されました。
ティロナ氏は、この研究の最大の価値は、機械学習が太陽活動領域がいつ現れるかを事前に予測できることを証明したことであると述べました。信頼性の高い早期警報システムがさらに開発できれば、衛星通信会社や送電網運営者は、太陽嵐によって引き起こされる潜在的な被害を軽減するための対策を事前に講じることができる可能性があります。
太陽活動領域は、非常に強い磁気活動が存在する領域であり、通常は黒点が形成されます。多くの場合、活動領域が現れて太陽の表面に到達するまでに数時間かかり、完全に形成されるまでに 1 日から数日かかる場合もあります。
これらの領域が太陽の表面に到達する前に、磁場の上昇が太陽の内部を伝わる音波に微妙な影響を与えます。科学者は、太陽の内部を伝播する波を使用して、直接観察できない内部プロセスを分析する「ヘリ地震学」を通じてこれらの振動を研究することができます。
EarlyDetect は、1 時間ごとに生成される音響パワー マップを分析し、それらを太陽磁場測定データと組み合わせることで、活性領域が形成される前に異常なパターンを探します。音響データは、太陽力学天文台の太陽地震および磁気イメージャーから取得されます。この機器は 45 秒ごとに音響測定を記録し、研究者が太陽内部の音響活動の画像を構築できるようにします。
ニュージャージー工科大学の物理学の特別教授でこのプロジェクトの共同リーダーであるアレクサンダー・コソヴィチェフ氏は、この研究が直面する主な困難は、太陽活動領域が最初は目に見える表面の下に形成され、科学者がその磁気構造を直接観察できないことであると指摘した。その結果、研究者は太陽の磁場と音波伝播パターンの極めて小さな変化しか探すことができません。このプロセスは、騒がしいオーケストラの中でリズムの微妙な変化を識別するようなものです。
EarlyDetect は Transformer アーキテクチャを使用します。このタイプの人工知能テクノロジーは、ChatGPT などの大規模言語モデルでも広く使用されています。ただし、EarlyDetect は言語を分析するのではなく、太陽活動の変化を示す可能性のある太陽観測データの統計的パターンを探します。
研究の過程で、チームは、もともとノイズを除去し、モデルが重要な太陽信号を識別するのを助けるために使用されていたフィルタリング手法が、実際には予測効果を減少させていることも発見しました。
ティロナがプロジェクトに参加したとき、研究者たちは、短い時間スケールで重要な太陽パターンを強調したいと考えてフィルタリング技術を使用していました。しかし、テスト結果は、観測データをフィルタリングするとモデルの予測品質が低下することを示しています。コソヴィチェフ氏によると、研究チームは当初、フィルタリングによって有用な信号を分離できると考えていたが、フィルタリングにより最も弱いものの初期の変動が平均化されることがわかったという。
ティロナ氏は、そのプロセスをノイズ低減テクノロジーに例えました。通常、ノイズ リダクションにより強いノイズが除去され、全体的な傾向が明確になりますが、研究者らは、ほぼすべてのケースで、ノイズ リダクションが悪影響を与えることを発見しました。フィルター処理された信号は、まさにモデルがアクティブ領域がいつ現れるかを決定するのに役立つ重要な情報です。
研究者らは、NASA の太陽力学観測所とヘリオ地震・磁気イメージャーからのデータを使用して EarlyDetect をトレーニングし、その一般化能力をテストするためにトレーニング データに現れなかった太陽活動領域を分析するようモデルに依頼しました。
結果は、最もパフォーマンスの高いモデルが、太陽活動領域が可視化される前に平均 9.24 時間前に関連する前駆体を特定でき、標準の Transformer モデルや以前に使用されていたベースライン手法を上回ったことを示しています。
ニュージャージー工科大学のデータ サイエンス助教授でプロジェクト リーダーの Mengjia Xu 氏は、機械学習は太陽活動予測にはまだ広く使用されていないが、この研究は高度な機械学習モデルが将来の宇宙天気予報に新たな方向性を開く可能性があることを示していると述べました。
この研究は、ニュージャージー工科大学のグレース ホッパー人工知能研究所によって支援された最初のプロジェクトの 1 つでもあります。この研究所は、人工知能分野の学際的研究を促進するために 2025 年に設立されました。このプロジェクトは、NASA の太陽物理学と宇宙天気の研究プログラムからも支援を受けました。これには、科学主導の研究とイノベーションのセンター、および太陽の内外の磁場と流れの結果が含まれます。
追跡調査を促進するために、チームは関連するデータ リソースも公開しました。彼らは、太陽活動領域形成データセット (SolARED) をリリースしました。これは、太陽力学観測所の観測に基づいて作成された太陽活動領域のデータベースです。さらに研究者らは、ユーザーに対話型の観測データ閲覧機能を提供するための太陽活動領域ポータルも構築した。
Xu 氏は、これは一般に公開された最初の太陽活動領域形成データセットであり、機械学習および太陽物理学の研究コミュニティが新しい予測方法を開発およびテストするための共通リソースを提供できると述べました。
ただし、研究チームは、EarlyDetect はまだリアルタイムの運用予測システムとして使用できないことを強調しました。このモデルは、既知の太陽活動領域形成イベントに基づいてトレーニングされたため、活動領域がすでに発生した後でも誤った警報を発したり、予測を出したりする可能性があります。
さらに、太陽活動領域が形成されつつあることが特定されても、太陽フレアやコロナ質量放出が差し迫っていることを意味するわけではありません。多くの太陽活動領域は、最終的には大規模なバーストを引き起こしません。研究者らは、より多くのより広範囲の太陽現象を使用してモデルをさらにテストする必要もあります。
ティロナ氏は、この研究により、太陽物理学の分野における機械学習の可能性をより多くの人が認識できるようになることを期待していると述べました。何らかのモデルが将来の宇宙気象現象の予測に役立つとしたら、非常に興味深いでしょう。しかし、現在の研究はこの目標にはまだ程遠く、この結果は興味深い出発点にすぎません。
コメント