La NASA crea un modelo de inteligencia artificial capaz de predecir tormentas solares con 12 horas de antelación

Un equipo multidisciplinar de astrofísicos y científicos de datos pertenecientes al centro COFFIES de la NASA ha desarrollado un modelo de aprendizaje automático capaz de predecir la aparición de regiones activas en el Sol con hasta 12 horas de antelación respecto a su manifestación visible en la superficie solar.

El hallazgo, publicado en la revista científica Journal of Geophysical Research: Machine Learning and Computation, representa un cambio metodológico en la heliofísica. Hasta la fecha, los centros de predicción meteorológica espacial basaban sus modelos en el seguimiento de manchas solares y campos magnéticos que ya habían salido a la superficie. Este nuevo sistema permite anticipar los focos que generan erupciones solares y eyecciones de masa coronal (CME), eventos que provocan tormentas de radiación capaces de dañar satélites en órbita, alterar sistemas de navegación GPS y poner en riesgo la seguridad de los astronautas.

Detección de ondas acústicas en el interior solar mediante IA

Dado que las estructuras magnéticas no pueden observarse directamente mientras ascienden a través del interior del Sol, los investigadores recurrieron a la medición de efectos indirectos. Las concentraciones de campos magnéticos alteran sutilmente la potencia de las ondas acústicas que viajan continuamente por el plasma solar antes de romper la fotosfera.

Para captar estas variaciones de baja intensidad, el equipo integró datos recopilados por el observatorio Solar Dynamics Observatory (SDO) de la NASA y utilizó la capacidad de supercomputación del Centro de Investigación Ames en Silicon Valley.

El proyecto combinó especialistas del Instituto de Tecnología de New Jersey (NJIT), la Universidad de Princeton y la propia agencia espacial. Según explicó Alexander Kosovichev, co-investigador de COFFIES en el NJIT, la técnica identifica precursores magnéticos en ligeras perturbaciones del ritmo acústico del Sol, un fenómeno comparable a detectar un cambio casi imperceptible de compás dentro de una orquesta ruidosa.

Arquitectura 'sliding-window transformer' para el análisis de series temporales

Para procesar los grandes volúmenes de datos continuos, el equipo implementó una arquitectura de red neuronal denominada sliding-window transformer (transformador de ventana deslizante).

A diferencia de los modelos de aprendizaje profundo tradicionales, que evalúan fotogramas estáticos o la totalidad de la superficie solar en un único bloque, este sistema desplaza una "ventana de observación" de tamaño fijo a lo largo de la línea temporal de actividad solar. Esta estructura permite a la inteligencia artificial:

• Focalizarse en las fluctuaciones magnéticas y acústicas más recientes.
• Conservar la memoria de los patrones generales registrados en las horas previas.
• Identificar reducciones mínimas en la actividad acústica antes de la aparición de una mancha solar.
• Calcular la ubicación geográfica aproximada donde se producirá la emergencia magnética.

Protección para las misiones Artemis y la exploración de Marte

El desarrollo se enmarca en la preparación de las misiones lunares del programa Artemis y los futuros vuelos tripulados a Marte, escenarios donde la tripulación carecerá de la protección del campo magnético terrestre frente a los picos de radiación solar.

Entidades como la Oficina de Análisis del Tiempo Espacial de la Luna a Marte (M2M SWAO) y el Centro de Predicción del Tiempo Espacial de la NOAA colaboran para trasladar estos modelos teóricos a herramientas operativas de monitoreo en tiempo real. Aunque el sistema se encuentra en fase de validación sobre eventos solares pasados para ajustar su precisión, la capacidad de prever puntos de erupción con medio día de margen permitirá activar protocolos de blindaje en naves espaciales y reorientar satélites antes de la emisión de radiación.