// SCINEXX — SPAZIO & SCIENZA
KI erkennt aktive Sonnenregionen rund neun Stunden früher
Aktive Regionen der Sonne sind Ausgangspunkte vieler Flares und koronaler Massenauswürfe, werden aber erst sichtbar, wenn sich die ersten Sonnenflecken bilden. Eine neue Künstliche Intelligenz (KI) erkennt subtile Vorläufersignale im Mittel 9,24 Stunden vor dem sichtbaren Auftauchen solcher Regionen. Noch ist das Verfahren nicht für Echtzeitwarnungen geeignet und sagt auch keinen konkreten Sonnensturm voraus.
Newark (U.S.A.). Auf der Sonne entstehen aktive Regionen dort, wo konzentrierte Magnetfelder aus dem Inneren die sichtbare Oberfläche erreichen. In ihnen bilden sich Sonnenflecken, und von dort können Flares, energiereiche Strahlungsausbrüche, sowie koronale Massenauswürfe mit großen Plasmawolken ausgehen. Solche Eruptionen können Satelliten, Funkverbindungen und Stromnetze beeinträchtigen, während heutige operative Prognosen vor allem bereits sichtbare aktive Regionen bewerten.
Ein Forschungsteam des New Jersey Institute of Technology (NJIT), der Princeton University und des NASA Ames Research Center hat nun untersucht, ob sich die Entstehung solcher Regionen schon vor ihrem sichtbaren Auftauchen erkennen lässt. Dafür werteten die Forscher Messungen des Helioseismic and Magnetic Imager (HMI) an Bord des Solar Dynamics Observatory (SDO) aus und trainierten EarlyDetect, ein spezialisiertes Transformermodell für lange zeitliche Datenfolgen.
Wenn Magnetfelder durch das Sonneninnere aufsteigen, verändern sie sowohl das lokale Magnetfeld als auch die akustischen Schwingungen der Sonne. Aus HMI-Beobachtungen im Abstand von 45 Sekunden erzeugte das Team stündliche Karten der akustischen Leistung, also der Stärke der solaren Schwingungen, und kombinierte sie mit Magnetfeldmessungen. Das Modell verarbeitet diese Zeitreihen in gleitenden Beobachtungsfenstern und sagt die Entwicklung der Kontinuumsintensität voraus, also der Helligkeit der sichtbaren Sonnenoberfläche. Die veröffentlichte Studie nutzt dafür Daten von 46 aktiven Regionen und einen Vorhersagehorizont von bis zu zwölf Stunden.
„Die Hauptschwierigkeit besteht darin, dass sich eine aktive Region unterhalb der sichtbaren Sonnenoberfläche zu entwickeln beginnt, wo wir die magnetische Struktur nicht direkt beobachten können. Stattdessen suchen wir nach sehr kleinen Veränderungen im Magnetfeld und im Muster der akustischen Wellen, die fortwährend durch die Sonne laufen. Es ist eher so, als würde man in einem sehr lauten Orchester eine leichte Rhythmusänderung erkennen“, erklärt Alexander Kosovichev.
Im Test an fünf aktiven Regionen, die das Modell zuvor nicht gesehen hatte, erkannte die beste EarlyDetect-Variante die Vorläufersignale im Mittel 9,24 Stunden vor dem sichtbaren Auftauchen. Die Vorlaufzeiten streuten mit 33,19 Stunden allerdings stark. Damit erreichte die beste Modellvariante die höchste mittlere Vorlaufzeit unter den verglichenen Modellen. Die Vorhersage zeigt zunächst nur, dass eine aktive Region entsteht, nicht aber, ob daraus später ein Flare oder koronaler Massenauswurf folgt. Viele aktive Regionen bleiben ohne größere Eruption.
„Das Wertvollste, was diese Arbeit zeigt, ist, dass wir maschinelles Lernen nutzen können, um frühzeitig vorherzusagen, wann solare aktive Regionen entstehen. Eine solche Frühwarnung könnte Unternehmen für Satellitenkommunikation oder Stromnetze ermöglichen, sich vorzubereiten und Schäden durch Sonnenstürme möglicherweise zu mindern“, sagt Jonas Tirona.
Überraschend war, dass ein Filter zur Glättung kurzfristiger Schwankungen die Prognosen deutlich verschlechterte. Er entfernte offenbar gerade jene schwachen Veränderungen, aus denen EarlyDetect die frühesten Hinweise auf die entstehende Region gewinnt.
„Das hat uns am meisten überrascht. Wir hatten zunächst erwartet, dass er dabei hilft, nützliche kurzfristige Muster zu isolieren. Stattdessen mittelte er genau die sehr schwachen Schwankungen heraus, die den frühesten Warnhinweis lieferten“, sagt Alexander Kosovichev.
Für den operationellen Einsatz reicht die bisherige Prüfun