IBM et la NASA ouvrent le code source de l'IA Surya pour accélérer la prévision des tempêtes solaires dangereuses

Recherche IBM , la division de recherche et développement de la société technologique IBM, a annoncé qu'elle s'était associée à la NASA pour ouvrir la source de Surya, un nouveau modèle d'IA pour la physique solaire conçu pour prédire les éruptions solaires intenses qui pourraient présenter des risques pour les astronautes, les satellites, les réseaux électriques et les communications sur Terre, avec une vitesse sans précédent.

Depuis 15 ans, le satellite Solar Dynamics Observatory (SDO) de la NASA surveille en continu le Soleil afin de mieux comprendre son activité. Pourtant, une grande partie des données collectées reste inexplorée. Lors du lancement du SDO, les outils d'intelligence artificielle en étaient encore à leurs balbutiements, limitant ainsi la capacité d'analyser pleinement le flux continu d'images.

Surya, décrit comme le premier modèle fondateur de la physique solaire, comble cette lacune. En traitant les données brutes du SDO, des chercheurs d'IBM, de la NASA et de huit autres centres de recherche ont développé un modèle d'IA capable de prévoir les événements solaires dangereux susceptibles d'affecter les systèmes spatiaux et terrestres.

Baptisé d'après le mot sanskrit signifiant « Soleil », Surya est désormais accessible au public sur Hugging Face, GitHub et via la bibliothèque TerraTorch d'IBM pour affiner les modèles d'IA géospatiale. Parallèlement à Surya, l'équipe a publié SuryaBench, un ensemble de données et de benchmarks organisés, conçu pour faciliter le développement et l'évaluation d'applications non seulement pour la prévision météorologique spatiale, mais aussi pour la recherche solaire au sens large.

Prévoir les tempêtes violentes sur Terre est déjà un défi, et prédire les tempêtes solaires ajoute à cette complexité. Les éruptions solaires traversent le champ magnétique du Soleil, et la lumière de ces événements met environ huit minutes à atteindre la Terre. Ce délai souligne la nécessité de modèles prédictifs capables de fournir des alertes précoces sur l'activité solaire avant qu'elle n'impacte les astronautes, les satellites et les infrastructures de la planète.

Surya AI améliore la prévision de l'héliosphère grâce à une meilleure prédiction des éruptions solaires et à une cartographie magnétique.

L'initiative Surya d'IBM s'inscrit dans une stratégie plus large visant à adopter des méthodes génératives et automatisées permettant de développer, de tester et d'affiner des algorithmes à grande échelle. Le projet illustre IBM La perspective de l’IA sur le fait qu’elle est non seulement un outil, mais aussi un contributeur et un moteur de l’exploration scientifique.

L'Observatoire de la Dynamique Solaire (SDO) maintient une orbite autour de la Terre afin d'offrir une vue cohérente du Soleil, capturant des images toutes les 12 secondes sur plusieurs bandes de longueurs d'onde. Ces images révèlent les variations de température à travers les couches du Soleil, allant d'environ 5,500 2 °C à la surface à près de XNUMX millions de °C dans la couronne, la partie la plus externe de son atmosphère. De plus, le SDO cartographie l'activité magnétique du Soleil, capturant les taches solaires émergentes en lumière blanche, mesurant la vitesse des bulles de plasma à la surface et suivant la torsion et l'enchevêtrement des lignes de champ magnétique.

Pour entraîner Surya, les chercheurs ont utilisé neuf années de données SDO, harmonisant d'abord les différents types de données, puis expérimentant des architectures d'IA pour traiter les informations. Le modèle final utilise un transformateur de vision long-court doté d'un mécanisme de filtrage spectral, lui permettant de traiter les images SDO haute résolution de 4096 4096 x 5 XNUMX pixels, qui contiennent jusqu'à dix fois plus de détails que les données d'image classiques. Le filtrage spectral a également réduit l'utilisation de la mémoire d'environ XNUMX % et a contribué à filtrer le bruit de l'ensemble de données.

Contrairement aux travaux précédents avec Prithvi, où les modèles reconstituaient des images satellites de la Terre partiellement obscurcies, Surya a été entraîné à prédire ce que le SDO observerait une heure à l'avance à partir d'images séquentielles. Les prédictions ont ensuite été comparées aux observations réelles pour en mesurer la précision. En exigeant du modèle qu'il déduise des éléments essentiels tels que la géométrie solaire, la structure magnétique et la rotation différentielle, les chercheurs souhaitaient préparer Surya à diverses applications scientifiques. Initialement, l'équipe a tenté d'encoder explicitement la rotation plus rapide du Soleil à l'équateur par rapport à ses pôles, mais permettre au modèle d'apprendre ce comportement à partir des données s'est avéré plus efficace, ce qui a permis d'obtenir de meilleures performances.

Surya a démontré d'excellentes capacités de prévision, notamment en matière d'alertes solaires. Les méthodes actuelles permettent aux scientifiques d'anticiper les éruptions une heure à l'avance, tandis que Surya a atteint un délai de deux heures grâce à des données visuelles. Les premiers tests ont également montré une amélioration de 16 % de la précision de la classification des éruptions solaires, ce qui représente une avancée significative par rapport aux techniques existantes et pourrait faire de Surya le premier modèle capable de fournir un tel niveau d'alerte précoce.

Surya et SuryaBench permettent de prévoir l'activité solaire et les impacts de la météo spatiale grâce à l'IA.

Surya et SuryaBench sont conçus pour rendre la recherche solaire pilotée par l'IA accessible aux scientifiques sans expertise approfondie en intelligence artificielle. SuryaBench fournit des ensembles de données et des benchmarks sélectionnés pour des tâches clés de prévision de la météo spatiale, notamment la prévision des éruptions solaires, la prévision de la vitesse des vents solaires et l'analyse de la structure magnétique de la couronne solaire. Ces outils abordent également des questions de longue date, comme l'intensité des vents solaires pendant les phases de calme solaire.

Les ensembles de données se concentrent sur les régions actives du Soleil, les zones sombres à sa surface où se développe l'énergie magnétique et où se produisent des éruptions telles que les éruptions solaires et les éjections de masse coronale. Ces événements peuvent interagir avec le champ magnétique terrestre, perturbant ainsi les satellites, les communications et les systèmes électriques. Par formation Modèles AI Grâce à ces données, Surya permet de prédire l'activité solaire des heures à l'avance, améliorant ainsi les capacités d'alerte précoce pour les risques météorologiques spatiaux.

SuryaBench inclut des applications pour la détection du rayonnement ultraviolet extrême et la surveillance de l'accumulation de lignes magnétiques dans l'atmosphère solaire, qui peuvent accélérer le vent solaire à des vitesses potentiellement dévastatrices. En intégrant ces informations, les scientifiques peuvent mieux anticiper l'impact de l'activité solaire sur la Terre, notamment ses effets sur les satellites, les réseaux électriques et les infrastructures de communication.

Ensemble, Surya et SuryaBench fournissent un nouveau cadre basé sur l'IA pour comprendre et prédire les phénomènes solaires, offrant des prévisions plus rapides et plus précises des événements solaires potentiellement dangereux et donnant aux chercheurs des outils pour répondre de manière proactive aux menaces météorologiques spatiales.