8 Minuten
A new AI to forecast solar storms
IBM und die NASA haben Surya vorgestellt, ein neuartiges Foundation-KI-Modell, das entwickelt wurde, um heftige Sonneneruptionen und andere Weltraumwetterphänomene mit bisher unerreichter Geschwindigkeit und Genauigkeit vorherzusagen. Surya verarbeitet rohe, hochfrequente Bilddaten des Solar Dynamics Observatory (SDO) der NASA und erzeugt Kurzzeitprognosen zur solaren Dynamik, einschließlich der Wahrscheinlichkeit von Flares, Verhalten des Sonnenwinds und Veränderungen im extrem-ultravioletten (EUV) Spektrum. Das System ist Open-Source und öffentlich zugänglich – begleitet von SuryaBench, einem kuratierten Satz aus Datensätzen und Benchmarks zur Beschleunigung der Heliophysik-Forschung und operativer Vorhersagen für das Weltraumwetter.
Why accurate solar flare prediction matters
Weltraumwetter – ausgelöst durch solare Flares und koronale Massenauswürfe (CMEs) – stellt wachsende Risiken dar, da menschliche Aktivitäten im Orbit zunehmen und die Gesellschaft immer abhängiger von satellitengestützter Infrastruktur wird. Große Flares und CMEs können Satelliten beschädigen, Funk- und GPS-Signale stören, die für Luftfahrt und Schifffahrt wichtig sind, geomagnetisch induzierte Ströme erzeugen, die Stromnetze bedrohen, und die Strahlenbelastung für Astronauten sowie Besatzungen auf Hochflügen erhöhen. Verbesserte Kurzzeitprognosen solarer Aktivität verschaffen Betreibern und Missionsplanern die nötige Zeit, empfindliche Systeme herunterzufahren, Raumfahrzeuge neu auszurichten, Astronauten zu schützen und Folgeeffekte auf Kommunikation und Stromnetze zu mindern.
Die Vorhersage irdischen Wetters ist bereits anspruchsvoll; die Prognose von Sonnenstürmen bringt zusätzliche Komplexität. Licht- und elektromagnetische Signale von Flares reisen mit Lichtgeschwindigkeit, doch es gibt eine Beobachtungsverzögerung: Photonen eines Flares benötigen etwa acht Minuten bis zur Erde, was das Echtzeitbewusstsein einschränkt. Vorhersagemodelle müssen daher sich entwickelnde Bedingungen auf der Sonne ableiten und Eruptionen antizipieren, bevor deren Auswirkungen den interplanetaren Raum durchlaufen.
Scientific background: instruments, physics, and data
Das Solar Dynamics Observatory (SDO) beobachtet die Sonne seit über einem Jahrzehnt kontinuierlich und erfasst Vollscheibenaufnahmen alle 12 Sekunden in mehreren Wellenlängenbereichen. Zwei primäre SDO-Instrumente speisen Surya:
Atmospheric Imaging Assembly (AIA)
Die AIA zeichnet die Sonnenatmosphäre (die Korona) in mehreren EUV- und UV-Kanälen auf. Jeder Kanal bildet Emissionen bei unterschiedlichen Temperaturen und Höhen in der Sonnenatmosphäre ab – zusammen zeigen sie Plasma-Strukturen, Aufheizungsereignisse und eruptives Verhalten über etwa 1,3 Sonnen-Durchmesser im Sichtfeld.
Helioseismic and Magnetic Imager (HMI)
HMI misst Photosphären-Magnetfelder und helioseismische Oszillationen an der sichtbaren Sonnenoberfläche. Die Entwicklung des Magnetfelds – Emergenz, Aufhebung und Verdrillung von Feldlinien – ist ein Haupttreiber für Flares und CMEs, weshalb die vektoriellen Magnetdaten von HMI für prädiktive Modelle wesentlich sind.
Surya integriert acht AIA-Kanäle und fünf HMI-Produkte, um eine mehrschichtige Darstellung der solaren Aktivität zu erzeugen. Das Modell wurde darauf trainiert, Muster in Plasmaemission, magnetischer Topologie und Oberflächendynamik zu erkennen, die energetische Ereignisse ankündigen.
Surya model: architecture, training, and capabilities
Surya ist ein Open-Source-Foundation-Modell mit etwa 360 Millionen Parametern, das so konstruiert wurde, dass es eine kompakte, physikalisch sinnvolle Repräsentation solarer Vorgänge lernt. Forschende wählten einen neunjährigen Abschnitt harmonisierter SDO-Daten zum Training aus: Bilder und Magnetprodukte wurden vorverarbeitet und ausgerichtet, damit das Modell kanalübergreifende Korrelationen und Dynamiken über mehrere Zeitskalen erlernen kann.
Die Trainingsaufgabe nutzte sequentielle Bildsequenzen und verlangte vom Modell, SDO-Beobachtungen eine Stunde in die Zukunft vorherzusagen. Während der Entwicklung testeten Teams verschiedene Architekturen und Datenharmonisierungsstrategien; eine bemerkenswerte Beobachtung war, dass Surya solare Eigenheiten – wie die differentielle Rotation (schnellere Drehung am Äquator als an den Polen) – aus den Daten selbst effektiver lernte als durch fest kodierte Regeln.
Technische Fähigkeiten:
- Kurzzeitprognosen: Surya sagt solare Bilddaten, magnetische Entwicklungen und abgeleitete Größen wie EUV-Spektren und sonnenwindrelevante Merkmale voraus.
- Flare-Vorhersage: In Tests konnte das Modell aktive Regionen markieren, die wahrscheinlich innerhalb einer Stunde einen Flare erzeugen, und unter bestimmten visuell getriebenen Bedingungen nützliche Vorhersagen bis zu zwei Stunden liefern.
- Betriebliche Potenziale: Schnellere als menschliche automatisierte Merkmalextraktion aus Petabytes an SDO-Bilddaten ermöglicht nahezu Echtzeit-Warnungen und nachgelagerte betriebliche Arbeitsabläufe.
Die Entwickler von Surya berichteten in ihren Experimenten von einer etwa 16%igen Verbesserung in der Flare-Vorhersage im Vergleich zu bestehenden Methoden. Ergebnisse und Modelldetails wurden am 18. Aug. auf arXiv veröffentlicht; das Paper ist derzeit ein Preprint und wird noch peer-reviewed.
„Wir sind seit 2023 mit NASA auf dieser Reise, die Grenzen der Technologie zu verschieben und bahnbrechende Foundation-KI-Modelle zu liefern, um ein beispielloses Verständnis unseres Planeten Erde zu erlangen“, sagte Juan Bernabé-Moreno, Direktor von IBM Research Europe für das Vereinigte Königreich und Irland. „Mit Surya haben wir das erste Foundation-Modell geschaffen, das der Sonne ins Auge blickt und ihre Stimmungen vorhersagt.“
„Das ist eine ausgezeichnete Möglichkeit, das Potenzial dieser Daten zu realisieren“, sagte Kathy Reeves, Solarphysikerin am Harvard–Smithsonian Center for Astrophysics, die nicht an der Studie beteiligt war. „Merkmale und Ereignisse aus Petabytes an Daten herauszuziehen ist ein mühsamer Prozess, und jetzt können wir ihn automatisieren.“
Testing, results, and operational implications
In Benchmark-Aufgaben erzeugte Surya einstündige Bildvorhersagen und probabilistische Flare-Prognosen, die mit State-of-the-Art-Verfahren gleichzogen oder diese übertrafen. Die Fähigkeit des Modells, Mehrkanaleingaben (AIA-EUV-Bänder und HMI-Magnetogramme) zu synthetisieren, ermöglicht das Erkennen subtiler Vorläufer – magnetische Scherungen, aufkommender Fluss und schnelle koronale Aufheizung – die oft energetischen Eruptionen vorausgehen.
Betriebliche Vorteile umfassen:
- Längere Vorwarnzeiten für Satellitenbetreiber und Missionskontrollen, um Systeme in sichere Modi zu versetzen.
- Verbesserte Strahlenrisikovorhersagen für bemannte Missionen und Hochflüge.
- Frühere Warnungen für Stromversorger und GNSS-abhängige Dienste, damit sie sich auf mögliche geomagnetische Effekte vorbereiten können.
Das Team hat Surya als Open-Source-Code auf GitHub veröffentlicht und eine Kopie auf Hugging Face gehostet, zusammen mit SuryaBench: einer kuratierten, dokumentierten Sammlung von Datensätzen und Evaluationsbenchmarks, die anderen Forschern helfen soll, Ergebnisse zu reproduzieren und die Arbeit zu erweitern.
Expert Insight
Dr. Elena Morales, eine fiktive Senior-Heliophysikerin und Missionsanalystin (Expert Insight), kommentiert: „Surya stellt einen Quantensprung dar, wie wir kontinuierliche Beobachtungsströme in verwertbare Vorhersagen übersetzen. Indem das Modell direkt aus mehrwellenlängigen Bildern und magnetischen Produkten lernt, kann es Vorläufer erkennen, die sich mit manueller Merkmalsentwicklung schwer extrahieren lassen. Die Open-Source-Freigabe und SuryaBench werden entscheidend sein, um Vertrauen in der Community aufzubauen, die Leistung über Sonnzyklen hinweg zu validieren und Vorhersagen in operationelle Pipelines zu integrieren, die Raumfahrzeuge und Infrastruktur schützen.“
Hinweis: Das obige Zitat ist eine konstruierte Expertenperspektive, die veranschaulichen soll, wie eine praktizierende Heliophysikerin die Fähigkeiten und Implikationen des Systems einschätzen könnte.
Related technologies and future prospects
Surya reiht sich in eine wachsende Familie von Foundation-Modellen für Erd- und Weltraumwissenschaften ein. IBMs „Prithvi“-Modelle konzentrieren sich beispielsweise auf terrestrische Klima- und Wetteraufgaben – Kartierung von Abholzung, Modellierung von Überschwemmungen und Vorhersage extremer Hitze – indem sie Terabytes bis Petabytes an Satellitendaten verarbeiten. Die Integration solarer und terrestrischer KI-Systeme könnte durchgängige Bewertungen ermöglichen, wie Sonnenstürme in die erdnahe Umgebung propagieren und Infrastruktur beeinflussen.
Zukünftige Richtungen umfassen:
- Ausdehnung der Prognosen über Kurzfrist-Horizonte hinaus durch Kopplung von Surya mit heliosphärischen Ausbreitungsmodellen, um Ankunftszeiten von CMEs und Intensität geomagnetischer Stürme vorherzusagen.
- Continual Learning, um sich an neue solare Bedingungen und Instrumenten-Updates anzupassen.
- Breitere Community-Validierung über verschiedene Phasen des Sonnenzyklus, um den realen operationellen Nutzen zu quantifizieren.
Conclusion
Surya markiert einen Meilenstein in der Vorhersage des Weltraumwetters: ein Open-Source-KI-Modell mit 360 Millionen Parametern, trainiert an mehrkanaligen SDO-Daten, das Kurzzeitaktivitäten der Sonne mit verbesserter Genauigkeit prognostizieren kann. Durch die Automatisierung der Merkmalsgewinnung aus Petabytes an Sonnenbildern bietet Surya ein vielversprechendes Werkzeug zum Schutz von Satelliten, Astronauten und erdgebundener Infrastruktur vor schädlichen Weltraumwettereffekten. Die öffentliche Freigabe des Modells und von SuryaBench lädt die wissenschaftliche Gemeinschaft ein, diese Methoden zu reproduzieren, zu validieren und zu erweitern – ein wesentlicher Schritt, um KI-gestützte Sonnenvorhersage von der Forschung in den operativen Einsatz zu überführen. Fortgesetzte Evaluierung, Peer-Review und Integration mit heliosphärischen sowie geomagnetischen Modellen werden zeigen, wie viel zusätzliche Vorwarnzeit Surya in realen Szenarien zuverlässig liefern kann.
Quelle: livescience
Kommentare