Como o Surya usa inteligência artificial para antecipar tempestades no Sol

Um novo sistema de inteligência artificial aprendeu a antecipar grandes mudanças no Sol ao interpretar padrões na sua superfície e na sua atmosfera antes que eles se transformem em tempestades completas.

Esse avanço muda a forma de pensar os alertas antecipados em um mundo cada vez mais dependente de satélites, navegação e redes elétricas estáveis.

Lendo sinais de problema no Sol

Em vez de reagir a avisos apenas depois que a atividade solar se intensifica, as evidências vêm de observações de longa duração que revelam mudanças discretas se acumulando antes de causar perturbações em todo o disco visível do Sol.

Esses indícios foram registrados por Sujit Roy e colegas do NASA Marshall Space Flight Center, que mostraram que os padrões aparecem de maneira consistente antes de erupções solares maiores se desenrolarem.

Ao longo de anos de monitoramento, as mesmas assinaturas iniciais voltam a surgir conforme o estresse magnético aumenta e a energia se reorganiza abaixo da superfície solar.

Em conjunto, o resultado delimita uma janela de previsibilidade que agora precisa ser confrontada com eventos solares mais raros e extremos - justamente onde os limites da antecipação fazem mais diferença.

Os dados por trás do Surya

O treinamento começou com o fluxo contínuo de imagens do Sol que o Solar Dynamics Observatory (SDO), da NASA, coleta desde 2010.

A espaçonave registra imagens do disco inteiro em diversos comprimentos de onda e também acompanha os campos magnéticos na superfície.

Os pesquisadores forneceram ao Surya 13 camadas de imagem diferentes por vez, para que ele relacionasse gás brilhante e quente na atmosfera solar a campos magnéticos sob tensão.

Essa associação é importante porque, com frequência, a erupção mais intensa começa onde as linhas magnéticas se comprimem e depois se reconectam rapidamente.

Riscos das tempestades solares

As erupções solares impulsionam o clima espacial - tempestades no espaço próximo à Terra capazes de atingir satélites e redes de energia.

Partículas carregadas podem sobrecarregar componentes eletrônicos e aquecer a alta atmosfera.

Correntes elétricas induzidas por tempestades também percorrem linhas de transmissão longas, e o calor adicional pode danificar transformadores.

Como eventos severos são incomuns, um sistema de previsão precisa permanecer confiável em períodos calmos sem disparar alertas falsos.

Um modelo pensado para reutilização

Para que a IA tivesse utilidade além de uma tarefa específica, a equipe desenvolveu o Surya como um modelo de fundação - um grande modelo-base que pode ser adaptado a várias aplicações.

Em vez de aprender a partir de rótulos, o sistema foi treinado prevendo imagens futuras, o que o obriga a codificar como os padrões solares se transformam ao longo do tempo.

Esse treinamento abrangente resultou em um modelo muito grande, com 366 milhões de parâmetros ajustáveis, capaz de reconhecer muitos tipos de mudança no Sol.

A alta capacidade também exige testes cuidadosos, porque um modelo pode parecer competente e ainda assim deixar passar modos de falha raros.

Aprendendo ao prever o que vem pela frente

Na fase inicial, o Surya aprendeu com um recorte de nove anos de observações do SDO, usando pares de imagens capturadas com uma hora de intervalo.

A rede previa como estaria o Sol uma hora depois e, em seguida, projetava suas próprias estimativas adiante, empurrando as previsões por várias horas.

Uma reportagem da NASA descreveu a dificuldade de engenharia para acomodar imagens tão grandes na memória do computador sem perder detalhes.

“A natureza dinâmica do Sol e a resolução extrema do SDO exigiram um projeto cuidadoso sob fortes limitações de memória”, disse Roy, co-líder do projeto.

Colocando a previsão solar à prova

Quando os pesquisadores avaliaram o modelo com dados que ele não tinha visto antes, ele ainda previu o acúmulo que precede grandes flares usando a mesma rotina de previsão de imagens.

Essas previsões funcionaram sem novos rótulos, porque a rede já havia aprendido como padrões de brilho e de magnetismo variam em conjunto.

Em um estudo de caso, o Surya acompanhou um salto rápido na emissão ultravioleta durante um flare solar de força média em 13 de janeiro de 2015.

Previsões visuais podem ajudar cientistas a checar se um aviso faz sentido, mas também trazem o risco de excesso de confiança quando as imagens parecem muito próximas da realidade.

Ajuste fino para tarefas específicas

Em trabalhos posteriores, o modelo central foi ajustado para identificar regiões ativas - áreas magneticamente intensas propensas a erupções no Sol - e para estimar o vento solar.

Esse ajuste atualizou apenas uma pequena fração dos pesos, permitindo adaptação sem apagar a maior parte da estrutura solar aprendida.

Depois dessa etapa, o Surya superou classificadores de imagem comuns na previsão de flares e reduziu o erro em previsões de vento solar com horizonte de quatro dias.

Como cada tarefa tem armadilhas próprias, um modelo ajustado ainda precisa de monitoramento contra alarmes falsos e eventos não detectados.

Onde as previsões ficam borradas

Algumas características solares continuaram difíceis para um modelo determinístico - aquele que entrega uma única melhor estimativa -, em especial limites magnéticos muito nítidos e bordas de flares.

Quando a rede tenta minimizar o erro médio, ela tende a suavizar detalhes finos, o que pode esconder estruturas pequenas, porém relevantes.

Os pesquisadores observaram que esse borrão apareceu em alguns mapas magnéticos, mesmo quando o formato geral da região ativa permanecia correto.

Versões futuras podem incorporar aleatoriedade para representar incerteza, já que o Sol pode evoluir de mais de uma forma plausível.

Ferramentas abertas, salvaguardas reais

A NASA disponibilizou o modelo e o código para que outros grupos possam testá-lo, encontrar falhas e aprimorá-lo.

O acesso aberto acelera o avanço científico, mas também exige que os usuários acompanhem quais dados foram usados e o que foi modificado.

Um versionamento claro é importante porque uma pequena mudança no pré-processamento pode alterar previsões e confundir comparações entre laboratórios e ao longo dos anos.

Equipes que coloquem essas ferramentas em operação ainda precisarão de revisão humana, especialmente quando alertas impactam equipamentos caros e questões de segurança.

Como os avisos solares podem mudar

O Surya ilustra como um sistema bem treinado consegue conectar imagens do Sol a consequências posteriores em diferentes tarefas de previsão.

O próximo salto deve depender de estimativas de incerteza mais precisas e de fontes de dados mais amplas, para que os avisos continuem confiáveis à medida que o Sol muda.