IBM en NASA hebben Surya gelanceerd, een revolutionair open-source AI-model dat is ontworpen om hoogwaardige zonnegegevens te analyseren en de impact van zonneactiviteit op onze technologieën te voorspellen.
De naam 'Surya', afgeleid van het Sanskriet voor 'Zon', benadrukt de kernmissie van het model: het begrijpen en anticiperen op zonnestormen. De zon, hoewel op grote afstand, heeft een aanzienlijke invloed op ons dagelijks leven. Zonnevlammen en coronale massa-ejecties kunnen satellieten beschadigen, luchtcommunicatie verstoren, stroomuitval veroorzaken en risico's vormen voor astronauten. Een studie van Lloyd's schat dat een hypothetische zonnestorm de wereldeconomie gedurende vijf jaar tot wel $2,4 biljoen zou kunnen kosten, met een verwachte directe schade van $17 miljard. Recente zonnegebeurtenissen hebben al geleid tot GPS-verstoringen, omgeleide vluchten en satellietschade, wat de omvang van deze risico's onderstreept.
Juan Bernabe-Moreno, Directeur bij IBM Research Europe, vergelijkt Surya met een 'weerrapport voor de ruimte'. Hij benadrukt de noodzaak om ons voor te bereiden op zonnestormen, net zoals we dat doen voor slecht weer. Surya biedt een ongekende mogelijkheid om inkomende zonneactiviteit te anticiperen. Traditionele methoden voor ruimte-weer voorspelling zijn gebaseerd op beperkte satellietbeelden van het zonneoppervlak, wat accurate voorspellingen historisch bemoeilijkte.
Surya pakt dit aan door getraind te zijn op de grootste dataset van hoogwaardige heliophysics-gegevens, wat onderzoekers helpt bij het bestuderen en evalueren van voorspellingstaken zoals zonnevlammen, de snelheid van de zonnewind en de opkomst van actieve regio's op de zon. Eerste tests van Surya toonden een verbetering van 16% in de nauwkeurigheid van zonnevlamclassificatie, een aanzienlijke vooruitgang ten opzichte van eerdere methoden. Het model kan nu visueel zonnevlammen voorspellen, tot twee uur van tevoren een gedetailleerd beeld geven van waar een vlam wordt verwacht.
De ontwikkeling van Surya bracht aanzienlijke technische uitdagingen met zich mee, aangezien het werd getraind op negen jaar aan hoogwaardige zonneobservatiegegevens van NASA's Solar Dynamics Observatory (SDO). De omvang van deze gegevens, tien keer groter dan typische AI-trainingsdata, vereiste een aangepaste multi-architectuuroplossing voor efficiënte verwerking. Kevin Murphy, Chief Science Data Officer bij NASA, stelt dat ze data-gedreven wetenschap vooruithelpen door NASA's wetenschappelijke expertise te integreren in geavanceerde AI-modellen. Hij gelooft dat een fundamenteel model, getraind op NASA's heliophysics-gegevens, ongekende snelheid en nauwkeurigheid zal bieden bij het analyseren van zongedrag.
De samengestelde heliophysics-dataset voor belangrijke ruimte-weertaken is beschikbaar via de SuryaBench-collectie. Surya vult IBM's Prithvi-fundamentele modellen voor aardobservatie en weer/klimaat aan. Door Surya beschikbaar te stellen op Hugging Face, democratiseren IBM en NASA de toegang tot geavanceerde tools voor het begrijpen en voorspellen van ruimte-weer. Dit initiatief stelt onderzoekers wereldwijd in staat om gespecialiseerde toepassingen te ontwikkelen en de wereldwijde paraatheid tegen ruimte-weer verstoringen te vergroten. De NASA Solar Dynamics Observatory (SDO) verzamelt dagelijks ongeveer 1,5 terabyte aan gegevens, wat neerkomt op het downloaden van een half miljoen liedjes per dag, met beelden van 4096 bij 4096 pixels, wat een ongekend detailniveau biedt.