KI erkennt Sonneneruptionen Stunden im Voraus

Ein neues KI-Modell namens EarlyDetect kann verborgene Vorläufersignale solarer aktiver Regionen erkennen und deren Auftreten im Schnitt neun Stunden vor dem Sichtbarwerden auf der Sonnenoberfläche vorhersagen. Die Studie wurde im Journal of Geophysical Research: Machine Learning and Computation publiziert und geht auf eine Forschungsarbeit des New Jersey Institute of Technology in Kooperation mit der Princeton University sowie dem NASA Ames Research Center zurück. Grundlage der Analyse bilden kontinuierliche Daten des NASA-Satelliten Solar Dynamics Observatory. Aktive Regionen entstehen über mehrere Stunden unterhalb der sichtbaren Photosphäre, wobei aufsteigende Magnetfelder charakteristische Störungen in akustischen Wellen Mustern erzeugen. Das auf einer Transformer-Architektur beruhende KI-System wertet stündliche akustische Leistungs- und Magnetfelddaten aus. Im Entwicklungsprozess stellten die Researchers fest, dass eine zunächst zur Rauschreduktion eingesetzte Filterung die Prognosegüte massiv beeinträchtigte, da sie die für die Frühwarnung kritischen schwachen Signalfluktuationen eliminierte. Die nachträgliche Rücknahme der Filterung in Kombination mit der unverfälschten Analyse ermöglichte es dem Modell, bei Tests an unbekannten Ereignissen Vorläufersignale durchschnittlich 9,24 Stunden vor dem eigentlichen Erscheinen der Regionen zu detektieren. Damit übertraf EarlyDetect etablierte Referenzmodelle signifikant. Der praktische Nutzen liegt im Bereich der Weltraumwettervorhersage. Ein zuverlässiger Frühindikator könnte Energieversorger und Satellitenbetreibern wertvolle Zeit für Schutzmaßnahmen gegen koronale Massenauswürfe und induzierte Stromausfälle einräumen. Aktuell ist EarlyDetect jedoch noch nicht für den Echtzeit-Einsatz zertifiziert. Das System produziert vereinzelt Falschmeldungen und vermag lediglich die Entstehung einer aktiven Region zu prognostizieren, nicht aber deren unmittelbares eruptives Potenzial. Die Autoren betonen die Notwendigkeit zusätzlicher Validierungen an umfangreicheren Datensätzen, bevor eine operative Integration erfolgen kann. Zur Beschleunigung der fachlichen Weiterentwicklung haben die Forscher den öffentlich zugänglichen Solar Active Region Emergence Dataset sowie ein interaktives Portal für die Datenexploration released. Diese Infrastruktur stellt der Machine-Learning- und Heliophysik-Community erstmals eine standardisierte Basis für die Entwicklung robusterer Vorhersagearchitekturen zur Verfügung. Die Ergebnisse belegen das transformative Potenzial KI-gestützter Mustererkennung in der astrophysikalischen Datenanalyse und markieren einen präzisen Schritt hin zu proaktiven Infrastrukturschutzstrategien im erdnahen Orbit.