Sztuczna inteligencja, a dokładniej mówiąc machine learning, staje się pomału remedium na wszelkie trudne problemy, z którymi tradycyjne metody nie potrafią sobie poradzić. Jednym z takich problemów jest przewidywanie rozbłysków słonecznych.
Nie do końca rozumiemy jak działa mechanizm stojący za rozbłyskami burzami słonecznymi. Jest to dość skomplikowane zjawisko. Mamy bowiem plamy na Słońcu, które mają mają swoje bieguny magnetyczne, czyli zachowują się jak magnesy. Dorzućmy do tego to, że samo Słońce ma swoje pole magnetyczne oraz że różne warstwy Słońca poruszają się z różnymi prędkościami, i otrzymujemy niezły bałagan w polu magnetycznym wokół plam. W pewnym momencie może dojść do anihilacji pola magnetycznego (w skrócie, wielkie bum) wokół plamy i w ten sposób powstaje rozbłysk słoneczny.
Jest to bardzo chaotyczne środowisko, którego do końca nie rozumiemy. Czasami z wielkiej plamy nic nie wychodzi, a czasami mała, niepozorna plama potrafi rozpętać niezłe zamieszanie.
Dlaczego przewidywanie rozbłysków i burz słonecznych jest takie ważne? Ponieważ odpowiednio silny rozbłysk mógłby usmażyć wszystkie nasze satelity wokół Ziemi, skutecznie paraliżując wszelką komunikację. Jeszcze silniejszy rozbłysk może zniszczyć sieci energetyczne na Ziemi, skutecznie wprowadzając chaos i cofając cywilizację o dwa, trzy stulecia do tyłu.
Obecne metody przewidywania burz słonecznych
Aby móc przewidywać burze słoneczne, naukowcy opracowali dwie metody – numeryczną i statystyczną.
W metodzie numerycznej spisujemy wszystkie równania określające zachowanie Słońca, jakie znamy i na ich podstawie tworzy się symulację, która ma dać nam upragnioną odpowiedź.
Metoda statystyczna próbuje znaleźć odpowiedź wykorzystując dużą bazę danych o przeszłych rozbłyskach. Na podstawie takich informacji jak wielkość plam czy siła pola magnetycznego wokół plam, statystycy potrafią z pewnym prawdopodobieństwem określić, czy dana plama zamieni się w rozbłysk.
Machine learning to the rescue!
Naukowcy postanowili wypróbować nową metodę – machine learning.
Machine learning jest podejściem do sztucznej inteligencji, które w ostatnim czasie jest szeroko wykorzystywane w różnych dziedzinach – od medycyny, przez astronomię, po rozpoznawanie twarzy, a nawet tłumaczenie mowy z jednego języka na drugi w czasie rzeczywistym.
Zasada działania jest prosta – rzućmy algorytmom całą masę danych i niech same nauczą się, jak rozwiązywać dany problem. Największą zaletą tej metody jest to, że jest w zasadzie niezależna od problemu, jaki chcemy rozwiązać, i daje bardzo dobre rezultaty.
Nic więc dziwnego, że astronomowie postanowili sprawdzić, jak poradzi sobie machine learning z problemem przewidywania burz słonecznych.
Korzystając z olbrzymiej bazy danych pomiarów z satelity Solar Dynamics Observatory (SDO) astronomowie stworzyli mapę wszystkich plam, jakie zaobserwowała satelita. Następnie dali komputerowi mapę do przemielenia.
W fazie nauki komputer brał plamę, patrzył się na jej parametry i parametry wszystkiego wokół, i zgadywał, czy plama skończyła się rozbłyskiem. Komputer korzystał z historycznych danych. Wiedział zatem, czy dana plama zamieniła się w rozbłysk czy nie. Sprawdzał więc jaki był rezultat w rzeczywistości i poprawiał samego siebie.
Rezultat
Gdy komputer nauczył się, jak przewidywać burze słoneczne, rzucono go na głęboką wodę i dano mu prawdziwe dane w czasie rzeczywistym. Okazało się, że algorytmy machine learning były co najmniej tak samo dokładne jak metoda numeryczna i statystyczna. A będzie z czasem jeszcze dokładniejszy. Algorytm staje się coraz lepszy wraz z większą ilością danych i prób, jakie podejmuje.
Danych do obrobienia jest cała masa – SDO codziennie przesyła na Ziemię prawie 1,5 TB (tak, terabajtów) danych. Istnieje więc spora szansa, że wkrótce algorytm będzie dużo lepszy niż poprzednie metody i pozwoli nam lepiej się przygotować na burze słoneczne.
