14
días
han pasado desde el robo de nuestras instalaciones. No nos rendimos, seguimos comprometidos con informarte.
SUSCRIBITE PARA QUE PODAMOS SEGUIR INFORMANDO.

Llamaradas solares captadas el 12 de enero por el Solar Dynamics Observatory de la NASA. Foto de NASA/SDO

Inteligencia artificial podría predecir erupciones solares que afectan redes en la Tierra

Aunque los científicos no entienden completamente lo que produce las erupciones solares, los físicos de Stanford Monica Bobra y Sebastien Couvidat han automatizado el análisis de esas explosiones gigantescas

Aunque los científicos no entienden completamente lo que produce las erupciones solares, los físicos de Stanford Monica Bobra y Sebastien Couvidat han automatizado el análisis de esas explosiones gigantescas. El método podría algún día proporcionar alerta anticipada para proteger las redes de energía y de los satélites de comunicación.

Las llamaradas solares pueden liberar la energía equivalente a muchas bombas atómicas, lo suficiente para cortar las comunicaciones por satélite y dañar las redes de energía en la Tierra, aún a 93 millones de kilómetros. Las llamaradas surgen de campos magnéticos torcidos que se producen en toda la superficie del Sol y que aumentan en frecuencia cada 11 años, un ciclo que ya está en su máximo.

Los físicos solares de Stanford, Bobra y Couvidat han usadotécnicas de inteligencia artificial para automatizar el análisis un conjunto de observaciones solares para pronosticar erupciones solares a partir de datos proporcionados por el Observatorio de Dinámica Solar (SDO, por su siglas en inglés), que tiene más datos que cualquier otro satélite en la historia de la NASA. Su estudio identifica qué características son las más útiles para predecir las erupciones solares.

En concreto, el estudio requiere el análisis de datos de campo magnético. Históricamente, los instrumentos miden el componente de la línea de visión del campo magnético solar, un enfoque que sólo muestra la amplitud del campo. Además los instrumentos mostraron la fuerza y dirección de los campos, llamado campos magnéticos de vectores, pero sólo de una pequeña parte del sol. El instrumento conocido como el HMI, basado en satélites, a bordo de SDO recoge campos magnéticos vectoriales y observaciones de todo el sol.

Adición de aprendizaje automático

El Stanford Solar Observatories Group, dirigido por el profesor de física Phil Scherrer, procesa y almacena los datos SDO, que tiene 1,5 terabytes de datos al día. Durante un descanso, los miembros del grupo conversaron sobre lo que podrían hacer con todos esos datos y hablaron de probar algo diferente.

Reconocieron la dificultad de formar predicciones de muchos puntos de datos cuando se utiliza la teoría pura y que habían oído hablar de la popularidad de la clase en línea en el aprendizaje de máquina enseñado por Andrew Ng, profesor de Informática de Stanford .

“El aprendizaje automático es una forma sofisticada de analizar una gran cantidad de datos y clasificarlos en diferentes grupos”, dijo Bobra. El software busca patrones y trata de ver qué información es relevante para predecir una categoría en particular.

Por ejemplo, se podría utilizar el software de aprendizaje de máquinas para predecir si las personas son nadadores rápidos. En primer lugar, el software analiza las características de los nadadores – su altura, peso, hábitos alimenticios, hábitos de sueño, los nombres de sus perros y sus fechas de nacimiento.

Y luego, a través de una estrategia de conjetura y verificación, el software tratará de identificar qué información es útil para predecir si o no un nadador es particularmente rápido. Podría mirar a la altura de un nadador y adivinar si esa altura determinada se encuentra dentro del rango de altura de los nadadores rápidos, sí o no. Si adivinó correctamente, sería “aprender” que la altura puede ser un buen predictor de la velocidad.

El software podría encontrar que los hábitos de sueño de un nadador son buenos predictores de velocidad, mientras que el nombre del perro del nadador no lo es.

Las predicciones no serían muy precisa tras el análisis de sólo los primeros nadadores. Cuanto más información, mejor aprendizaje automático se pone en la predicción.

Del mismo modo, los investigadores querían saber cómo con éxito el aprendizaje de máquina podría predecir la fuerza de las erupciones solares con información acerca de las manchas solares.

“Nunca habíamos trabajado con el algoritmo de aprendizaje automático antes, pero después de que nos tomamos el supuesto que pensé que sería una buena idea para aplicarla a la previsión de llamarada solar”, dijo Couvidat. Aplicó los algoritmos y Bobra procesa las características de las dos clases más fuertes de las erupciones solares, M y X. Aunque los otros han utilizado algoritmos de aprendizaje automático para predecir las llamaradas solares, nadie lo ha hecho con un gran conjunto de datos, y con observaciones vectoriales de campo magnético.

Llamaradas de clase M pueden causar tormentas de radiación de menor importancia que pudieran poner en peligro a los astronautas y causar apagones breves en los polos de la Tierra. Llamaradas de clase X son los más poderosos.

Una mejor predicción de llamarada

Los investigadores catalogan las llamaradas o regiones de una base de datos de más de 2000 regiones activas y luego procesan esas regiones por 25 características tales como la energía, el gradiente actual y el campo. A continuación, alimentan la máquina de aprendizaje con el 70 por ciento de los datos, para identificar las características más relevantes. Luego utilizan la máquina para analizar el 30 por ciento restante de los datos y comprobar su exactitud en la predicción de las erupciones solares.

El aprendizaje automático confirmó que la topología del campo magnético y la energía almacenada en el campo magnético son muy relevantes para la predicción de las erupciones solares. Usando sólo algunas de las 25 características, la máquina de aprendizaje automático discriminó entre las regiones activas y las que no pueden estallar. Aunque otros han utilizado diferentes métodos para llegar a resultados similares, la máquina de aprendizaje automático proporciona una mejora significativa, porque el análisis automatizado es más rápido y podría proporcionar advertencias tempranas de las erupciones solares.

Sin embargo, este estudio sólo utilizó la información de la superficie solar. Eso sería como tratar de predecir el clima de la Tierra a partir de sólo medidas superficiales, como la temperatura, sin tener en cuenta el viento y la condición de las nubes. El siguiente paso en la predicción de las llamaradas solares sería incorporar datos de la atmósfera del Sol, dijo Bobra.

Eso permitiría un mejor desarrollo de la física solar para Bobra. “Es emocionante porque no sólo tenemos un montón de datos, pero las imágenes son tan hermosas”, dijo. “Y es verdaderamente universal. Criaturas de una galaxia diferente podría ser el resultado del aprendizaje de estos mismos principios.”

Monica Bobra y Sebastien Couvidat trabajaron bajo la dirección del físico Phil Scherrer de la Física Experimental Laboratorio WW Hansen en Stanford.

Ciencia científicos Erupciones Solares Stanford archivo

Puede interesarte

×

El contenido de LA PRENSA es el resultado de mucho esfuerzo. Te invitamos a compartirlo y así contribuís a mantener vivo el periodismo independiente en Nicaragua.

Comparte nuestro enlace:

Si aún no sos suscriptor, te invitamos a suscribirte aquí