Bet prognozuojant kyla problema: ankstyvieji aktyvių regionų požymiai yra subtilūs Saulės akustinių virpesių ir magnetinio lauko konfigūracijos pokyčiai, kuriuos pastebėti sudėtinga iki sričiai pasirodant paviršiuje. Naujame tyrime pateikiamas reikšmingas prognozių patobulinimas: pritaikius šiuolaikinę dirbtinio intelekto architektūrą, aktyvių regionų pasirodymas sėkmingai prognozuotas beveik dešimt valandų iš anksto.
Metodas remiasi tuo, kad prieš išnirdama aktyvi sritis subtiliai pakeičia Saulės paviršiaus ryškumą. Tyrėjai panaudojo NASA „Solar Dynamics Observatory“ duomenis apie 46 aktyvias sritis ir apmokė modelį, vadinamą transformeriu, prognozuoti šio ryškumo kitimą iki 12 valandų į priekį. Transformerio architektūra pasirinkta todėl, kad geba atpažinti sudėtingus laike išsidėsčiusius raštus – o tai ypač tinka tokiam uždaviniui.
Tyrėjai sistemingai palygino kelis modelio variantus ir nustatė netikėtą dalyką: įprasti mašininio mokymosi metodai, siekdami statistinio stabilumo, dažniausiai transformuoja duomenis taip, kad sunaikina būtent tuos silpnus pokyčius, kurie ir žymi įvykio pradžią, todėl praranda tikslumą.
Susiję straipsniai
Geriausiai pasirodęs modelis, pavadintas „EarlyDetect“, buvo specialiai pertvarkytas taip, kad būtų jautresnis šiems pradiniams svyravimams. Jis vidutiniškai aptiko aktyvios srities atsiradimą maždaug 9,2 valandos iš anksto, o jo prognozuojamos srities savybės buvo maždaug dešimtadaliu tikslesnės už įprasto modelio.
Deja, modelis kol kas nėra tinkamas realiam kosmoso orų prognozavimui, nes kartais pateikia klaidingas prognozes. Be to, aktyvaus regiono atsiradimas nebūtinai reiškia, kad iš jo kils pavojingas žybsnis ar vainikinės masės išmetimas. Vis dėlto rezultatai rodo, kad modeliai, sukurti pastebėti silpniausius ankstyvuosius signalus, o ne juos nugludinti, gali reikšmingai pagerinti Saulės išsiveržimų prognozavimą.
Tyrimo rezultatai publikuojami „JGR Machine Learning and Computation“.