由美国新泽西理工学院牵头的研究团队开发出一种人工智能系统，能够在太阳活动区真正出现在可见表面之前，提前识别出极其微弱的预警信号。研究显示，该系统平均可以提前近九小时发现新活动区的形成迹象，为未来预测太阳风暴提供了新的可能。
在太阳黑子使太阳可见表面变暗之前，制造黑子的磁活动实际上已经在太阳内部悄然发展。这些早期变化十分微弱，长期以来很难被科学家稳定识别。如今，一种名为“EarlyDetect”的人工智能模型能够从太阳的声学活动和磁场变化中寻找相关线索，在新的太阳活动区变得可见前平均9.24小时检测到其前兆。
这项研究由新泽西理工学院研究团队完成，成果于8月14日发表在《地球物理学研究杂志：机器学习与计算》上。模型由新泽西理工学院本科研究人员乔纳斯·蒂罗纳开发，他与该校计算机科学家、太阳物理学家，以及普林斯顿大学和美国国家航空航天局艾姆斯研究中心的研究人员开展了合作。研究所使用的数据来自美国宇航局太阳动力学天文台。
蒂罗纳表示，这项工作的最大价值在于证明了机器学习可以提前预测太阳活动区何时出现。若能进一步发展为可靠的预警系统，卫星通信企业和电力电网运营商或许可以提前采取措施，从而降低太阳风暴造成的潜在损害。
太阳活动区是磁场活动极其强烈的区域，太阳黑子通常在那里形成。活动区从开始出现到抵达太阳表面，往往需要数小时，而完全形成可能需要一天到数天时间。
在这些区域抵达太阳表面之前，不断上升的磁场会对穿过太阳内部的声波产生细微影响。科学家可以通过“日震学”研究这些振动，利用太阳内部传播的波动，分析那些无法直接观测的内部过程。
EarlyDetect通过分析每小时生成的声学功率图，并结合太阳磁场测量数据，寻找活动区形成前的异常模式。声学数据来自太阳动力学天文台上的日震与磁成像仪。该仪器每45秒记录一次声波测量结果，研究人员据此构建出反映太阳内部声学活动的图像。
新泽西理工学院物理学杰出教授、项目共同负责人亚历山大·科索维切夫指出，研究面临的主要困难在于，太阳活动区最初是在可见表面以下形成的，科学家无法直接观察其磁结构。因此，研究人员只能寻找太阳磁场和声波传播模式中的极其微小变化。这一过程就像在嘈杂的管弦乐队中，辨认出节奏发生了细微改变。
EarlyDetect采用Transformer架构，这类人工智能技术也被广泛用于ChatGPT等大型语言模型。不过，EarlyDetect并不分析语言，而是从太阳观测数据中寻找可能预示太阳活动变化的统计模式。
研究过程中，团队还发现，原本用于去除噪声、帮助模型识别重要太阳信号的过滤方法，反而降低了预测效果。
蒂罗纳加入项目时，研究人员正在使用一种过滤技术，希望突出短时间尺度内的重要太阳模式。但测试结果显示，过滤观测数据会使模型的预测质量下降。科索维切夫表示，研究团队最初以为过滤能够隔离有用信号，却发现它把最微弱、但最早出现的波动也一并平均掉了。
蒂罗纳将这一过程比作降噪技术。通常，降噪可以去除强烈杂音，使整体趋势更加清晰，但研究人员发现，在几乎所有情况下，降噪都会带来负面影响。被过滤掉的信号，恰恰是帮助模型判断活动区何时出现的重要信息。
研究人员使用美国宇航局太阳动力学天文台和日震与磁成像仪的数据训练EarlyDetect，随后让模型分析训练数据中没有出现过的太阳活动区，以检验其泛化能力。
结果显示，性能最强的模型平均能够在太阳活动区变得可见前9.24小时识别出相关前兆，其表现优于标准Transformer模型以及此前使用的基准方法。
新泽西理工学院数据科学助理教授、项目负责人孟佳·徐表示，机器学习目前还没有被广泛应用于太阳活动预测，但这项研究表明，先进的机器学习模型可能为未来的空间天气预报打开新的方向。
这项研究也是新泽西理工学院格蕾丝·霍珀人工智能研究所支持的首批项目之一。该研究所于2025年成立，旨在推动人工智能领域的跨学科研究。项目还获得了美国宇航局太阳物理学和空间天气研究项目的支持，包括“科学驱动研究与创新中心”以及“太阳内外部场与流动后果”项目。
为了推动后续研究，团队还公开了相关数据资源。他们发布了“太阳活动区形成数据集”，即SolARED。这是一套根据太阳动力学天文台观测结果整理的太阳活动区资料库。此外，研究人员还建立了太阳活动区门户网站，为用户提供交互式观测数据浏览功能。
徐表示，这是首个面向公众开放的太阳活动区形成数据集，可为机器学习和太阳物理学研究群体提供共同资源，用于开发和测试新的预测方法。
不过，研究团队强调，EarlyDetect目前还不能作为实时运行的业务化预报系统使用。该模型是在已知的太阳活动区形成事件基础上训练的，仍可能发出误报，也可能在活动区已经出现后才给出预测。
此外，识别出太阳活动区正在形成，并不意味着太阳耀斑或日冕物质抛射即将发生。许多太阳活动区最终并不会产生大规模爆发。研究人员还需要利用数量更多、类型更广泛的太阳事件，对模型进行进一步测试。
蒂罗纳表示，希望这项研究能够让更多人认识到机器学习在太阳物理学领域的潜力。如果未来某种模型能够帮助预测空间天气事件，将会非常有意义。但目前研究距离这一目标仍有一定距离，这项成果只是一个令人振奋的起点。
