Pesquisadores criam inteligência artificial capaz de identificar sinais precursores de regiões ativas solares com até 9 horas de antecedência
Uma nova inteligência artificial desenvolvida por pesquisadores do New Jersey Institute of Technology, nos Estados Unidos, conseguiu identificar sinais sutis da formação de regiões ativas no Sol antes de elas se tornarem visíveis na superfície do astro. O modelo, batizado de EarlyDetect, foi capaz de antecipar o surgimento dessas estruturas em média 9,24 horas, representando um avanço relevante para a área de previsão do clima espacial.
O estudo foi publicado no Journal of Geophysical Research: Machine Learning and Computation e demonstra que alterações nas ondas acústicas que atravessam o Sol e variações no campo magnético da estrela podem denunciar o nascimento de regiões ativas muito antes de qualquer manifestação óptica. Segundo os pesquisadores, essa descoberta pode contribuir para sistemas de alerta antecipado relacionados a eventos solares potencialmente perigosos.
As regiões ativas são áreas de intensa atividade magnética na superfície do Sol onde surgem as manchas solares. Sua formação começa ao longo de várias horas e pode levar de um a vários dias até atingir o estágio completo. Antes de se tornarem visíveis, essas estruturas já deixam rastros no interior do astro. À medida que os campos magnéticos avançam pelo interior solar, provocam pequenas alterações nas ondas acústicas que percorrem o Sol continuamente, e é justamente nessas variações sutis que o EarlyDetect concentra sua análise.
Para realizar essa tarefa, o modelo examina mapas horários de potência acústica e dados do campo magnético coletados pelo Solar Dynamics Observatory, observatório solar da NASA. As informações acústicas são obtidas por meio do instrumento Helioseismic and Magnetic Imager, que registra observações a cada 45 segundos. De acordo com Alexander Kosovichev, professor de física do NJIT e co-investigador principal do projeto, o desafio envolve identificar mudanças mínimas em meio a um volume enorme de dados. "Estamos procurando mudanças muito pequenas no campo magnético e no padrão das ondas acústicas que viajam continuamente pelo Sol. É mais como detectar uma pequena mudança de ritmo dentro de uma orquestra muito barulhenta", afirmou o pesquisador.
O EarlyDetect utiliza uma arquitetura chamada Transformer, o mesmo tipo de tecnologia presente em grandes modelos de linguagem baseados em texto. Em vez de trabalhar com palavras, a inteligência artificial aprende padrões a partir das observações solares. Durante o desenvolvimento, os pesquisadores enfrentaram uma surpresa inesperada ao perceber que um filtro aplicado aos dados, cuja função era facilitar a identificação de padrões, estava na verdade prejudicando o desempenho do modelo.
O filtro havia sido criado para destacar sinais de curta duração, mas, na prática, estava removendo pequenas flutuações que continham pistas importantes sobre o nascimento das regiões ativas. Ao eliminar esse recurso, o rendimento da inteligência artificial melhorou de forma significativa. "Esperávamos inicialmente que isso ajudasse a isolar padrões úteis de curto prazo. Em vez disso, ele eliminava justamente as flutuações muito fracas que forneciam o alerta mais precoce", explicou Kosovichev.
Após o treinamento com dados do Solar Dynamics Observatory, o EarlyDetect foi avaliado em regiões ativas que não haviam sido utilizadas durante a fase de aprendizado. A versão de melhor desempenho identificou os sinais precursores 9,24 horas antes, em média, de essas estruturas se tornarem visíveis. O resultado foi superior tanto ao obtido por um Transformer convencional quanto ao de uma abordagem anterior que servia como referência no estudo.
A equipe também disponibilizou publicamente o Solar Active Region Emergence Dataset, conhecido como SolARED, um conjunto de observações solares do Solar Dynamics Observatory. Além disso, criou o Solar Active Region Portal, uma plataforma dedicada à exploração desses dados pela comunidade científica. Mesmo com resultados promissores, os pesquisadores afirmam que o sistema ainda não está pronto para operar como ferramenta de previsão em tempo real, pois apresenta falsos alarmes e casos em que o aviso chega tarde demais.
Outra limitação importante é que o modelo não indica se uma erupção solar necessariamente ocorrerá. Isso porque muitas regiões ativas nunca chegam a produzir grandes eventos, como as ejeções de massa coronal, que são ejeções de plasma e campo magnético lançadas pelo Sol para o espaço. Os pesquisadores pretendem testar a abordagem em um número maior de eventos solares antes de transformar o EarlyDetect em uma ferramenta operacional de previsão do clima espacial, área dedicada a monitorar e antecipar os efeitos da atividade solar sobre a Terra.
