Prueban un modelo de IA que podría predecir tormentas solares y mejorar la protección de satélites

Un equipo liderado por el Instituto Tecnológico de Nueva Jersey desarrolló un modelo de IA capaz de detectar señales ocultas de futuras regiones activas del Sol con 9 horas de anticipación. El avance podría ampliar el margen de preparación ante tormentas solares que afectan a empresas de comunicaciones por satélite y redes eléctricas.

El sistema, llamado EarlyDetect, fue probado con regiones activas que no habían sido vistas antes por el modelo y superó a un método de referencia anterior, según el estudio publicado en la revista Journal of Geophysical Research: Machine Learning and Computation.

La investigación sostiene que mucho antes de que aparezcan las manchas solares oscuras en la superficie, una nueva región activa ya deja rastros sutiles de su formación. Esas zonas, donde pueden originarse erupciones solares potentes, emergen a lo largo de varias horas, aunque su desarrollo completo puede tardar de uno a varios días.

Jonas Tirona, estudiante de grado del NJIT e investigador principal del trabajo, desarrolló el método junto con científicos informáticos y físicos solares de esa institución, además de colaboradores de la Universidad de Princeton y del Centro de Investigación Ames de la NASA, a partir de observaciones del Observatorio de Dinámica Solar de la NASA.

El modelo busca huellas acústicas y magnéticas

El estudio explica que, a medida que los campos magnéticos ascienden hacia la superficie solar, dejan huellas débiles en las ondas acústicas. Esas variaciones pueden seguirse mediante la heliosismología, la disciplina que estudia las vibraciones del Sol.

Para localizarlas, EarlyDetect analiza mapas horarios de potencia acústica y mediciones del campo magnético obtenidas por el Observatorio de Dinámica Solar. Los mapas acústicos se construyen con observaciones de ondas sonoras registradas cada 45 segundos por el generador de imágenes heliosísmicas y magnéticas, conocido como HMI, a bordo del observatorio.

Tirona explicó que el valor principal del trabajo es demostrar que el aprendizaje automático puede anticipar cuándo emergerán regiones solares activas. Añadió: “Esta alerta temprana podría permitir a las empresas de comunicaciones por satélite o a las compañías eléctricas prepararse y, potencialmente, mitigar los daños causados por las tormentas solares”.

Alexander Kosovichev, distinguido profesor de física del NJIT y coinvestigador principal del proyecto, describió el problema de observación de esta forma: “La principal dificultad reside en que una región activa comienza a desarrollarse bajo la superficie visible del sol, donde no podemos observar directamente la estructura magnética”.

Kosovichev precisó además qué tipo de variación intenta captar el modelo: “En realidad, buscamos cambios muy pequeños en el campo magnético y en el patrón de las ondas acústicas que viajan continuamente a través del sol. Es más bien como detectar un ligero cambio de ritmo dentro de una orquesta muy ruidosa”.

EarlyDetect usa una arquitectura Transformer, la misma familia tecnológica empleada en grandes modelos de lenguaje. En este caso, en lugar de aprender patrones de texto, el sistema aprende patrones en observaciones solares para anticipar cambios futuros en la actividad del Sol.

Tras sumarse al proyecto el año pasado, Tirona y sus colegas descubrieron que una técnica de filtrado incorporada para ayudar al modelo estaba reduciendo su rendimiento. Según el equipo, ese procedimiento promediaba fluctuaciones muy débiles que contenían la advertencia más temprana.

“Eso fue lo que más nos sorprendió”, dijo Kosovichev. “Inicialmente esperábamos que ayudara a aislar patrones útiles a corto plazo. En cambio, promedió las fluctuaciones muy débiles que proporcionaban la alerta más temprana”.

Tirona comparó ese efecto con la cancelación de ruido y explicó por qué terminó siendo contraproducente. “Pero descubrimos que era perjudicial en casi todos los casos. Las señales que el filtro eliminaba resultaron ser cruciales para que el modelo predijera cuándo surgiría una región activa”.

La mejor versión del sistema identificó señales precursoras una media de 9,24 horas antes de que las regiones activas se hicieran visibles. Para Mengjia Xu, profesora adjunta de ciencia de datos en NJIT e investigadora principal del proyecto, el resultado muestra que los modelos avanzados de aprendizaje automático pueden ampliar las posibilidades de la predicción del clima espacial.

El método todavía no sirve como advertencia en tiempo real

El propio equipo advirtió que EarlyDetect aún no está listo para operar en tiempo real. Tirona señaló que el modelo fue entrenado con datos de eventos de emergencia ya conocidos y que todavía produce falsas alarmas ocasionales o predicciones tardías.

La detección temprana de una región activa tampoco equivale a predecir una llamarada solar o una eyección de masa coronal. El estudio remarca que muchas regiones activas nunca generan erupciones importantes y que el método todavía debe validarse con muchos más eventos solares.

Como parte del trabajo, los investigadores publicaron SolARED, descrito como el primer conjunto de datos públicos sobre la aparición de regiones solares activas, y también el portal SAR, una plataforma web interactiva para explorar esa información. Xu afirmó: “Proporciona un recurso compartido para que tanto la comunidad de aprendizaje automático como la de heliofísica desarrollen y prueben nuevos enfoques de predicción”.

Tirona sostuvo que espera que el proyecto aumente la atención sobre el aporte posible del aprendizaje automático a la heliofísica. También aclaró el alcance actual del avance: “Todavía no hemos llegado a ese punto, pero este es un paso emocionante”.