Глибоке навчання передбачає магнітні поля активних зон Сонця

Нова система глибокого навчання дає змогу прогнозувати, як змінюватимуться магнітно нестійкі активні області на Сонці протягом наступних 12 годин. Як повідомляє видання Scienmag, модель не просто «домальовує» магнітні карти, а спеціально налаштована так, щоб зберігати ключові фізичні величини, які з цих карт обчислюють. Це робить штучний інтелект корисним для науки, а не лише візуально переконливим.

Що саме прогнозує нова модель

Систему розробили дослідники з Юньнанських обсерваторій та пов’язаних установ у Китаї. Вона передбачає всі три компоненти векторного магнітного поля фотосфери Сонця і добре узгоджується з магнітними діагностиками, які використовують для оцінки потенціалу спалахів.

Для радіальної компоненти поля B_r модель досягла середнього по горизонту прогнозу показника структурної подібності (SSIM) 0,912 і коефіцієнта кореляції 0,998, а помилка передбачення беззнакового магнітного потоку становила лише 7,82%. Це свідчить, що машинне навчання поступово переходить від простого наслідування зображень до «фізично обізнаного» прогнозування магнітної поверхні Сонця.

Ставки високі, адже саме сонячні магнітні поля живлять більшість явищ космічної погоди. Сонячні спалахи викидають потужні імпульси випромінювання, а корональні викиди маси можуть спрямувати до Землі мільярди тонн намагніченої плазми. Коли такі збурення взаємодіють із магнітосферою Землі, вони здатні порушувати радіозв’язок, погіршувати роботу супутників, заважати навігаційним системам і наводити струми в електромережах.

Чому важко передбачати магнітні поля Сонця

Щоб прогнозувати ці події, недостатньо фіксувати яскраві спалахи вже після їхнього початку. Потрібно розуміти, як магнітна енергія накопичується в активних областях, де з’являються й еволюціонують плями та складні магнітні структури.

Фотосфера — видима «поверхня» Сонця — дає найкраще вікно спостережень цього процесу. Але магнітне поле в кожній точці описується не одним числом: воно має силу й напрямок, які змінюються в часі. Передбачити повний вектор поля набагато складніше, ніж одну картинку чи ймовірність спалаху.

Дослідники навчали свою модель на наборах SHARPs (Space-weather HMI Active Region Patches), створених із векторних магнітограм, отриманих обсерваторією Solar Dynamics Observatory (SDO) NASA. Інструмент Helioseismic and Magnetic Imager вимірює поляризацію сонячного світла, що дозволяє відновити магнітне поле на поверхні.

У векторній магнітограмі радіальна компонента B_r описує поле, спрямоване від Сонця або до нього, а дві горизонтальні компоненти, позначені як B_phi і B_theta, характеризують напрямки вздовж поверхні. Разом вони дають тривимірний опис поля, спроєктованого на фотосферу.

У дослідженні використали дані за 2021–2022 роки, подані в циліндричній рівноплощинній проєкції (Cylindrical Equal-Area), що допомагає коректно аналізувати геометрію поверхневих структур. Модель перевірили на 3000 тестових послідовностях, отримавши велику вибірку незалежних прикладів еволюції поля для порівняння з прогнозами.

Як працює нейромережа

Ключовою особливістю підходу стали динамічні маски, які спрямовують увагу мережі на ділянки з сильним полем в активній області. Звичайні системи прогнозування зображень можуть витрачати надто багато «уваги» на широкі, малоконтрастні зони, бо вони займають більше пікселів, хоча саме компактні, але сильні магнітні структури важливіші для фізики спалахів.

Маска змінює акценти обчислень, виділяючи області з високою напруженістю поля або там, де зміни мають більший фізичний сенс. Векторне поле подали як трьохканальне зображення, що дозволило нейромережі «кінець-у-кінець» вивчати просторово-часові зв’язки між радіальною та горизонтальними компонентами. Фактично система розглядає магнітне поле як рухомий багатоканальний ландшафт, а не як набір окремих картинок.

Це важливо, бо магнітні структури взаємопов’язані: прогноз, який виглядає точним для однієї компоненти, може бути фізично некоректним, якщо порушує співвідношення між усіма трьома.

Найоригінальніший елемент підходу — набір обмежень на магнітні параметри, вбудованих у процес навчання. У звичайному глибокому навчанні модель оптимізують, мінімізуючи різницю між прогнозом і спостереженнями, часто піксель за пікселем. Це може давати «гладкі» зображення з хорошими числовими метриками, але з помилками в величинах, які реально використовують для діагностики сонячної активності.

У новому методі до функції втрат додали штрафи, пов’язані з похідними магнітними параметрами. Це заохочує модель зберігати не лише локальну схожість, а й інтегральні властивості активної області — зокрема магнітний потік та інші діагностики, обчислені з векторного поля. Такі обмеження стають містком між розпізнаванням шаблонів у даних і фізичними рівняннями та вимірюваннями в сонячній фізиці.

Точність прогнозів для різних компонент поля

Результати показали помітну різницю між радіальною та горизонтальними компонентами. Для B_r модель зберігала SSIM у діапазоні 0,909–0,916 протягом 12-годинного прогнозу, з коефіцієнтом кореляції 0,998 і середньоквадратичною помилкою (RMSE) 13,0–21,0 гаус. SSIM оцінює, наскільки добре збережені локальні структури та контраст, а кореляція, близька до одиниці, означає дуже точне відтворення просторової організації поля.

Горизонтальні компоненти виявилися складнішими для передбачення, що очікувано, адже вони зазвичай більш заплутані й чутливі до похибок вимірювань та швидких змін. Для B_phi SSIM становив 0,760–0,800, кореляція — 0,910–0,945, RMSE — 38,5–50,0 гаус. Для B_theta SSIM був у межах 0,728–0,750, кореляція — 0,895–0,920, RMSE — 38,5–49,0 гаус.

Ще важливіші результати для похідних магнітних величин. Помилка передбачення беззнакового магнітного потоку залишалася на рівні 7,82% з 95% довірчим інтервалом ±0,11%. Беззнаковий потік обчислюють як суму модулів магнітного поля в області, тож він показує загальну кількість магнітної структури, не дозволяючи протилежним полярностям взаємно «обнулитися». Збереження цієї величини означає, що модель менше схильна видавати прогнози з «правильними кольорами», але неправильною загальною магнітною потужністю.

Автори також аналізували п’ять діагностичних параметрів, пов’язаних із магнітним полем, використовуючи усереднення по замаскованих ділянках протягом горизонту прогнозу. Наведені результати підкреслюють загальну узгодженість цих діагностик, хоча детальні значення не перераховуються.

Перевірка на різних фазах активних областей

Модель протестували на різних фазах еволюції активних областей: під час зародження, відносно стабільного існування та розпаду. Це складний тест, оскільки область не розвивається одноманітно. На етапі появи новий магнітний потік швидко виходить на поверхню, різко змінюючи силу й топологію поля. У більш спокійній фазі зміни повільніші, але напружені конфігурації можуть продовжувати наростати. Під час розпаду плями розсіюються, а потік слабшає чи фрагментується.

Додаткові порівняння простежували дві конкретні області, HARP 7959 і HARP 8026, кадр за кадром протягом 12 годин, а також окремо аналізували горизонтальні компоненти поля наприкінці прогнозу. Ці тести мали показати, чи здатна мережа відтворювати саме еволюцію поля, а не лише середній «типовий» вигляд.

Звіти про роботу моделі на різних фазах підтримують висновок, що вона добре відстежує короткочасні зміни. Водночас автори підкреслюють: це поки що інструмент для подальших досліджень, а не готова оперативна система попередження про космічну погоду.

Обмеження та перспективи для космічної погоди

Прогноз еволюції магнітного поля на 12 годин — це ще не гарантія передбачення конкретного сонячного спалаху чи коронального викиду маси. Такі події залежать від складних тривимірних структур у короні, тоді як використані спостереження описують переважно фотосферну межу.

Модель навчається на історичних прикладах і відтворює статистичні закономірності, закладені в даних. Рідкісні події або незвичні магнітні конфігурації можуть виявити її слабкі місця. На інтерпретацію також впливають похибки вимірювань, проєкційні ефекти, неповні знання про корональні поля та хаотична природа плазмових процесів.

У роботі порівнюють метрики якості зображень і магнітні діагностики, але самі по собі вони не показують, як часто система правильно передбачить спалах, його енергію чи напрямок відносно Землі. Для реального застосування потрібна ширша валідація на різних фазах сонячного циклу, на незалежних наборах даних, у режимі реального часу та в порівнянні з фізичними й статистичними методами прогнозу.

Попри ці застереження, дослідження демонструє, чому «фізично обізнаний» штучний інтелект привертає дедалі більше уваги в сонячній фізиці. Звичайний прогноз оцінюють за схожістю пікселів із наступним спостереженням, але науково корисне передбачення має також зберігати зв’язки, які надають цим пікселям фізичного змісту.

Поєднавши динамічні маски уваги, трьохканальне векторне представлення та кілька обмежень на магнітні параметри, нова схема робить цю вимогу частиною процесу навчання. Відкриті дані SDO/HMI SHARP забезпечують відтворювану базу спостережень, а автори зазначають, що ваги моделі, вихідний код і скрипти попередньої обробки доступні для спільноти (хоча в наданому описі немає робочого посилання).

Якщо подальші дослідження покажуть, що такі прогнози покращують попередження про спалахи чи корональні викиди, вони можуть стати для центрів космічної погоди цінним проміжним інструментом — не «кришталевою кулею» для Сонця, а постійно оновлюваною картою того, куди прямує його магнітна «машинерія».