AI-modellering van het Zonnemagnetisch Veld Verhoogt Nauwkeurigheid Ruimteweerprognoses

Onderzoekers verbonden aan het Institute for Astronomy (IfA) van de Universiteit van Hawaï hebben een nieuwe methodologie ontwikkeld. Deze maakt gebruik van kunstmatige intelligentie om driedimensionale kaarten van het magnetische veld van de Zon met een grotere mate van detail te genereren. Deze doorbraak is bedoeld om wetenschappelijke studies te ondersteunen die gebruikmaken van data afkomstig van de Daniel K. Inouye Solar Telescope (DKIST). De bevindingen van dit onderzoek zijn gepubliceerd in het gerenommeerde tijdschrift The Astrophysical Journal.

Kai Young, hoofdonderzoeker en promovendus bij het IfA, benadrukte het cruciale belang van deze ontwikkeling. Dit is met name relevant in de huidige periode, aangezien de Zon een krachtige bron van ruimteweer blijft. Dit weer kan de werking van technologische systemen op Aarde ernstig verstoren. Het magnetische veld van de Zon is de primaire drijvende kracht achter explosieve fenomenen, zoals zonnevlammen en coronale massa-ejecties (CME's). Deze gebeurtenissen vormen een directe bedreiging voor satellietnetwerken, elektriciteitsnetwerken en wereldwijde communicatiesystemen.

Traditionele manieren om het magnetische veld van de Zon te meten, stuiten op fundamentele obstakels. Een belangrijk probleem is de onzekerheid over de oriëntatie van het veld – of het nu naar ons toe of van ons af wijst. Daarnaast is het lastig om de werkelijke hoogte van magnetische structuren vast te stellen. Deze beperkingen bemoeilijkten de creatie van nauwkeurige driedimensionale modellen, die essentieel zijn voor betrouwbare voorspellingen.

Om deze knelpunten te omzeilen, heeft het team een machine learning-systeem ontworpen dat de naam 'Haleakalā Disambiguation Decoder' draagt. Dit algoritme combineert empirische observatiedata met de natuurkundige wet dat magnetische velden gesloten, ononderbroken lussen vormen. Dit fysieke principe stelt het AI-systeem in staat om de 180-graden azimutale ambiguïteit in de veldrichtingsbepaling op te lossen. Bovendien kan het met hoge precisie de ware hoogte van de magnetische lagen inschatten.

De effectiviteit van deze methode is uitvoerig getest aan de hand van complexe computersimulaties. Deze simulaties omvatten zowel rustige gebieden als actieve regio's en zonnevlekken. Het verbeterde vermogen van de AI om data te interpreteren is bijzonder waardevol nu de DKIST-telescoop, gestationeerd op de top van Mauna Kea op Hawaï, beelden met een extreem hoge resolutie levert. Door gebruik te maken van de Haleakalā Disambiguation Decoder kunnen wetenschappers een betrouwbaardere driedimensionale kaart van de zonnemagnetosfeer construeren. Dit helpt hen bij het identificeren van vectoriële elektrische stromen in de zonneatmosfeer, wat leidt tot een helderder inzicht in de mechanismen die krachtige zonne-uitbarstingen in gang zetten.

De nauwkeurigere voorspellingen van ruimteweer hebben directe praktische implicaties. De huidige Zonnecyclus 25, die begon in december 2019, zal volgens de herziene prognoses van de NOAA zijn piekactiviteit bereiken tussen november 2024 en maart 2026. Een beter begrip van de triggers van zonneactiviteit, mogelijk gemaakt door deze AI-technologie, is van vitaal belang voor tijdige waarschuwingen en de bescherming van kritieke infrastructuur. De omvang van dit rekenwerk wordt onderstreept door de data van het SPIn4D-project. Dit project omvat 120 terabytes aan gesimuleerde waarnemingen, gegenereerd met meer dan 10 miljoen uur processortijd op de NSF Cheyenne supercomputer.