随着人类展望月球和星空进行未来探索，预测太空天气——主要由太阳驱动的太空条件——变得前所未有的重要。现在，来自美国国家航空航天局（NASA）的COFFIES（太阳内部和外部场与流的后果）的一个天体物理学家和数据科学家团队开发了一种新颖的机器学习模型，能够在太阳活跃区域出现之前12小时内预测它们的形成。太阳不断翻滚。局部磁场的强烈浓缩可以突然突破太阳表面，形成黑子。太空天气预报员随后共同编号并追踪黑子，因为它们是活跃区域的可见表现，是引发严重太空天气事件（如太阳耀斑和日冕物质抛射）背后的主要引擎。这些喷发会在空间中发送高能辐射和带电粒子的波浪，造成风暴，威胁宇航员，导致卫星失灵，并破坏地球上的无线电通信。通过汇聚不同科学机构的专业知识，COFFIES作为NASA的一个科学中心，聚集了来自新泽西理工学院、普林斯顿大学以及加利福尼亚硅谷NASA艾姆斯研究中心的研究团队。该团队转向先进的人工智能架构——它们决定了数据如何处理和使用，以生成可靠的预测或行动——以捕捉太阳表面活跃区域形成之前的微妙、基于时间的模式变化。通过分析该机构的太阳动力学观测台捕获的数据，并利用NASA艾姆斯的超级计算资源，这种在《地球物理研究杂志：机器学习与计算》中发表的新方法，关注由于黑子区域形成时造成的声波波动及其上升到表面的过程。新泽西理工学院的COFFIES共同研究员亚历山大·科索维切夫表示：“我们无法直接看到磁结构，在它通过太阳内部上升时。而是必须寻找间接影响——磁场和声波模式中非常小的变化，这些声波不断穿过太阳。”开发的技术识别与新出现的活跃区域相关的前兆，这些前兆在太阳的声学功率中表现出轻微变化，类似于在非常嘈杂的乐团中节奏的微小变化。在开发当前的操作性预报时，美国国家海洋和大气管理局的太空天气预报中心和美国空军监测已经在太阳上可见的活跃区域，以分析这些区域的特征并估计太阳耀斑的概率。COFFIES团队旨在彻底改变这一过程。该团队开发了一种特殊的早期检测系统，称为滑动窗口变换器架构，能够处理非常长序列的数据，以观察太阳声学活动和磁场中微小减少的信号，这是科学家们至今难以捕捉的。这些减少形成模式，人工智能模型利用这些模式在活跃区域变得可见的几个小时之前进行预测。与早期深度学习方法一样，新的模型不是同时查看太阳表面上的所有活动，而是将固定大小的“视图窗口”移动到太阳活动的长时间线上，专注于最近数据，同时记住整体模式。这种方法使预测者能够预测新形成的黑子的大概位置，而不是依赖已经可见的黑子的数量。这种有前景的人工智能架构展示了深度机器学习如何为日光物理学做出贡献——该领域研究太阳的性质以及太阳如何影响太空及存在于其中的行星。虽然模型尚未准备好进行实时操作预测，但团队计划在更多已知的太阳事件中验证该方法，以微调模型。随着NASA专注于派遣人类探索与阿尔忒弥斯任务的月球和首次载人任务前往火星，监测和预测太空天气对于确保宇航员及其所依赖设备的安全至关重要。COFFIES团队的这一预测突破可能对于保护技术和深空探索者免受我们太阳系暴烈环境的威胁至关重要。NASA和国家海洋和大气管理局的团队合作，旨在将研究能力转化为实际的360度太空天气监测操作工具——包括NASA的太空辐射分析组、月球到火星太空天气分析办公室（M2M SWAO）以及社区协调建模中心，以及国家海洋和大气管理局的太空天气预报中心。