По данным портала NASA Science, модель машинного обучения фиксирует микроколебания акустической мощности светила, предшествующие прорыву магнитных структур через фотосферу. Методика разработана NJIT, Принстонским университетом и Исследовательским центром Эймса; результаты опубликованы в Journal of Geophysical Research: Machine Learning and Computation.
Физика косвенных признаков
Активная область — участок с концентрированным магнитным полем, источник солнечных вспышек и корональных выбросов массы. Прямое наблюдение поднимающейся структуры сквозь недра Солнца невозможно — доступны лишь косвенные сигналы: возмущения в спектре акустических волн, непрерывно проходящих через плазму. Александр Косовичев, со-исследователь COFFIES из NJIT, сравнивает задачу с поиском «лёгкого сбоя ритма в шумном оркестре»: модель отслеживает тонкие вариации акустической мощности, возникающие за часы до видимого появления sunspot.
Архитектура и предел применимости
В основе решения — трансформер со скользящим окном (sliding-window transformer), обученный на данных Solar Dynamics Observatory. Архитектура обрабатывает длинные последовательности измерений, удерживая крупномасштабный контекст и акцентируя внимание на недавних изменениях. Алгоритм регистрирует малые снижения акустической активности и сдвиги магнитного поля, недоступные оператору на фоне шума. Погрешность измерений остаётся узким местом: требуется статистика по большему числу случаев, прежде чем модель выйдет за рамки исследовательского прототипа.
Контекст для практики
Действующая система оперативного прогноза построена на мониторинге уже видимых активных областей силами NOAA Space Weather Prediction Center и ВВС США. Новая модель даёт 12-часовое окно до видимого проявления региона. По словам Микеланджело Романо, заместителя директора офиса Moon to Mars Space Weather Analysis, это критично для планирования пилотируемых миссий к Луне и Марсу: экипаж вне магнитосферы Земли уязвим к высокоэнергетическому излучению вспышек, а электроника корабля — к потокам заряженных частиц.
NASA подчёркивает: до перехода в режим реального времени модель требует валидации на расширенном массиве данных. Следующий шаг — накопление архива прецедентов и интеграция с существующими прогнозными конвейерами. Само стремление расшифровать ритмы светила — часть культурного наследия, изучение которого продолжается тысячелетиями.