Resumo:
Uma equipe de pesquisa liderada pelo Instituto de Tecnologia de Nova Jersey, nos Estados Unidos, desenvolveu um sistema de inteligência artificial que pode identificar antecipadamente sinais de alerta extremamente fracos, antes que áreas ativas solares realmente apareçam na superfície visível. A pesquisa mostra que o sistema pode detectar sinais de formação de novas áreas ativas com quase nove horas de antecedência, em média, proporcionando novas possibilidades de previsão de tempestades solares no futuro.
Antes das manchas solares escurecerem a superfície visível do Sol, a atividade magnética que as cria desenvolve-se silenciosamente dentro do Sol. Essas mudanças iniciais são tão fracas que há muito tempo é difícil para os cientistas identificá-las de forma estável. Agora, um modelo de inteligência artificial chamado “EarlyDetect” é capaz de encontrar pistas relevantes na atividade acústica do Sol e nas mudanças do campo magnético, detectando os precursores de novas regiões solares ativas em média 9,24 horas antes de se tornarem visíveis.
Este estudo foi concluído pela equipe de pesquisa do Instituto de Tecnologia de Nova Jersey, e os resultados foram publicados no "Journal of Geophysical Research: Machine Learning and Computing" em 14 de agosto. O modelo foi desenvolvido por Jonas Tirona, pesquisador de graduação do Instituto de Tecnologia de Nova Jersey, em colaboração com cientistas da computação e físicos solares da escola, bem como pesquisadores da Universidade de Princeton e do Centro de Pesquisa Ames da NASA. O estudo usou dados do Solar Dynamics Observatory da NASA.
Tirona disse que o maior valor deste trabalho é que ele prova que o aprendizado de máquina pode prever com antecedência quando as áreas solares ativas aparecerão. Se for possível desenvolver sistemas de alerta precoce fiáveis, as empresas de comunicações por satélite e os operadores de redes eléctricas poderão tomar medidas antecipadas para reduzir os potenciais danos causados pelas tempestades solares.
A região solar ativa é uma área com atividade magnética extremamente forte, onde geralmente se formam manchas solares. Muitas vezes, leva várias horas para que uma região ativa apareça e alcance a superfície do Sol, e pode levar de um a vários dias para se formar completamente.
Antes destas regiões atingirem a superfície do Sol, o campo magnético crescente tem efeitos subtis nas ondas sonoras que viajam através do interior do Sol. Os cientistas podem estudar estas vibrações através da “heliossismologia”, usando as ondas que se propagam no interior do Sol para analisar processos internos que não podem ser observados diretamente.
O EarlyDetect procura padrões anormais antes da formação de regiões ativas, analisando mapas de potência acústica gerados a cada hora e combinando-os com dados de medição do campo magnético solar. Os dados acústicos vêm do Helioseismic and Magnetic Imager do Solar Dynamics Observatory. O instrumento registra medições acústicas a cada 45 segundos, permitindo aos pesquisadores construir uma imagem da atividade acústica dentro do Sol.
Alexander Kosovichev, Distinto Professor de Física do Instituto de Tecnologia de Nova Jersey e co-líder do projeto, destacou que a principal dificuldade enfrentada pela pesquisa é que a região solar ativa é inicialmente formada abaixo da superfície visível, e os cientistas não podem observar diretamente a sua estrutura magnética. Como resultado, os pesquisadores só podem procurar mudanças extremamente pequenas no campo magnético do Sol e nos padrões de propagação das ondas sonoras. O processo é como discernir mudanças sutis no ritmo de uma orquestra barulhenta.
EarlyDetect usa a arquitetura Transformer. Esse tipo de tecnologia de inteligência artificial também é amplamente utilizada em grandes modelos de linguagem, como o ChatGPT. No entanto, o EarlyDetect não analisa a linguagem, mas procura padrões estatísticos nos dados de observação solar que possam indicar mudanças na atividade solar.
Durante o processo de pesquisa, a equipe também descobriu que o método de filtragem originalmente usado para remover ruído e ajudar o modelo a identificar sinais solares importantes, na verdade reduziu o efeito de previsão.
Quando Tirona se juntou ao projeto, os investigadores utilizavam uma técnica de filtragem na esperança de destacar padrões solares importantes em escalas de tempo curtas. Mas os resultados dos testes mostram que a filtragem de dados observacionais degrada a qualidade da previsão do modelo. Kosovichev disse que a equipe de pesquisa inicialmente pensou que a filtragem poderia isolar sinais úteis, mas descobriu que calculava a média das flutuações mais fracas, porém mais precoces.
Tirona comparou o processo à tecnologia de redução de ruído. Normalmente, a redução de ruído pode remover ruídos fortes e tornar as tendências gerais mais claras, mas os investigadores descobriram que, em quase todos os casos, a redução de ruído teve um impacto negativo. Os sinais filtrados são justamente as informações importantes que ajudam o modelo a determinar quando a área ativa aparece.
Os investigadores usaram dados do Solar Dynamics Observatory da NASA e do Helioseismic and Magnetic Imager para treinar o EarlyDetect e depois pediram ao modelo para analisar áreas solares ativas que não apareceram nos dados de treino para testar a sua capacidade de generalização.
Os resultados mostram que o modelo com melhor desempenho foi capaz de identificar precursores relevantes em média 9,24 horas antes das áreas solares ativas se tornarem visíveis, superando o modelo padrão do Transformer e os métodos de linha de base usados anteriormente.
Mengjia Xu, professor assistente de ciência de dados no Instituto de Tecnologia de Nova Jersey e líder do projeto, disse que o aprendizado de máquina ainda não foi amplamente utilizado na previsão da atividade solar, mas este estudo mostra que modelos avançados de aprendizado de máquina podem abrir novas direções para futuras previsões do clima espacial.
Esta pesquisa também é um dos primeiros projetos apoiados pelo Instituto Grace Hopper de Inteligência Artificial do Instituto de Tecnologia de Nova Jersey. O instituto foi criado em 2025 para promover pesquisas interdisciplinares na área de inteligência artificial. O projeto também recebeu apoio dos programas de pesquisa de Heliofísica e Clima Espacial da NASA, incluindo o Centro de Pesquisa e Inovação Orientadas à Ciência e as Consequências de Campos e Fluxos dentro e fora do Sol.
Para promover pesquisas de acompanhamento, a equipe também divulgou recursos de dados relevantes. Eles lançaram o conjunto de dados de formação de área solar ativa, ou SolARED. Este é um banco de dados de áreas solares ativas compiladas com base em observações do Solar Dynamics Observatory. Além disso, os pesquisadores também estabeleceram um portal de área solar ativa para fornecer aos usuários funções interativas de navegação de dados de observação.
Xu disse que este é o primeiro conjunto de dados de formação de área solar ativa aberto ao público e pode fornecer um recurso comum para as comunidades de aprendizado de máquina e pesquisa em heliofísica desenvolverem e testarem novos métodos de previsão.
No entanto, a equipe de pesquisa enfatizou que o EarlyDetect ainda não pode ser usado como um sistema de previsão operacional em tempo real. O modelo foi treinado em eventos conhecidos de formação de regiões ativas solares e ainda pode emitir alarmes falsos ou fornecer previsões após a ocorrência de regiões ativas.
Além disso, identificar que uma região solar ativa está se formando não significa que uma explosão solar ou ejeção de massa coronal seja iminente. Muitas regiões solares ativas não produzem, em última análise, explosões em grande escala. Os investigadores também precisam de testar ainda mais o modelo usando um número maior e uma gama mais ampla de eventos solares.
Tirona expressou a esperança de que esta pesquisa conscientize mais pessoas sobre o potencial do aprendizado de máquina no campo da física solar. Seria muito interessante se algum tipo de modelo pudesse ajudar a prever eventos climáticos espaciais no futuro. No entanto, a investigação actual ainda está um pouco longe deste objectivo, e este resultado é apenas um ponto de partida emocionante.
Comentários