🔭 astrophysics

Prediction of Magnetic Flux Evolution During Solar Active Region Emergence using Long Short-Term Memory Networks

تُثبت هذه الورقة أن شبكة الذاكرة الطويلة قصيرة المدى (LSTM) القياسية تتفوق على بنية المشفر-فك التشفير (encoder-decoder) الأكثر تعقيداً في التنبؤ بتطور التدفق المغناطيسي للمناطق النشطة الشمسية قبل 3 إلى 10 ساعات باستخدام خرائط شدة الاستمرارية وقوة التذبذب الشمسي كمدخلات.

المؤلفون الأصليون: Eren Dogan, Spiridon Kasapis, Sarang Patil, Jonas Tirona, John Stefan, Irina Kitiashvili, Mengjia Xu, Alexander Kosovichev

نُشر 2026-04-07

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Eren Dogan, Spiridon Kasapis, Sarang Patil, Jonas Tirona, John Stefan, Irina Kitiashvili, Mengjia Xu, Alexander Kosovichev

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

الصورة الكبيرة: التنبؤ بالعواصف الشمسية قبل حدوثها

تخيل أن الشمس عبارة عن قدر ضخم من الحساء يغلي باستمرار. أحياناً، ترتفع فقاعات ضخمة من الطاقة المغناطيسية (تسمى المناطق النشطة) من قاع القدر إلى السطح. وعندما تنفجر هذه الفقاعات، يمكنها إطلاق عواصف شمسية هائلة يمكن أن تعطل الأقمار الصناعية، وتؤثر على نظام تحديد المواقع (GPS)، وحتى تتسبب في فشل شبكات الكهرباء على الأرض.

المشكلة؟ بحلول الوقت الذي نتمكن فيه من رؤية هذه الفقاعات على السطح باستخدام تلسكوباتنا، يكون الوقت قد فات غالباً لإصدار تحذير جدي. نحن بحاجة لمعرفة أنها قادمة قبل أن تظهر على السطح.

يتعلق هذا البحث ببناء بلورة سحرية باستخدام الذكاء الاصطناائي (AI) يمكنها "سماع" غليان الحساء تحت السطح قبل أن تظهر الفقاعات فعلياً.

المكونات: الاستماع إلى "نبض قلب" الشمس

لبناء هذه البلورة السحرية، لم يكتفِ الباحثون بالنظر إلى سطح الشمس فحسب؛ بل استمعوا إلى "نبض قلبها".

البيانات: استخدموا مجموعة بيانات ضخمة تضم 53 عاصفة شمسية مختلفة حدثت على مدار العقد الماضي.
الأدلة: قدموا للذكاء الاصطناعي نوعين من الأدلة:
- شدة الاستمرارية (Continuum Intensity): مدى سطوع الشمس (مثل فحص لون الحساء).
- القدرة الصوتية (Acoustic Power): كيف تهتز الشمس. تماماً كما يستمع الطبيب إلى القلب باستخدام السماعة الطبية، يستمع العلماء إلى الموجات الصوتية التي تنتقل عبر الشمس. عندما ترتفع فقاعة مغناطيسية من الداخل العميق، فإنها تغير طريقة انتقال هذه الموجات الصوتية.

التشبيه: تخيل أنك تحاول تخمين ما إذا كانت بالونة على وشك الانفجار داخل صندوق مغلق. لا يمكنك رؤية البالونة، لكن يمكنك الشعلم بالاهتزازات في الصندوق وسماع تغير ضغط الهواء. يتعلم الذكاء الاصطناعي التعرف على تلك الاهتزازات المحددة التي تعني "هناك بالونة قادمة!".

العقل: مهندسان مختلفان للذكاء الاصطناعي

جرب الباحثون طريقتين مختلفتين لبناء "عقل" الذكاء الاصطناعي لحل هذا اللغز. فكر في الأمر كنوعين مختلفين من الطلاب الذين يخوضون اختباراً:

1. "الحكواتي" (MagFluxEnc-Dec)

كيف يعمل: يحاول هذا النموذج التنبؤ بالمستقبل خطوة بخوة. يخمن ما سيحدث في الساعة الأولى، ثم يستخدم تخمينه ليعرف ما سيحدث في الساعة الثانية، ثم يستخدم ذلك ليعرف الساعة الثالثة، وهكذا.
الاستعارة: يشبه طالباً يحاول كتابة قصة عبر تخمين الجملة التالية بناءً على الجملة السابقة. إذا ارتكب خطأً صغيراً في الجملة الأولى، فإن هذا الخطأ سيكبر ويصبح أكبر فأكبر بحلول الجملة العاشرة.
النتيجة: كان هذا النموذج معقداً للغاية. لقد ارتبك بسبب الضجيج في البيانات وارتكب الكثير من الأخطاء. كان الأمر أشبه بطالب يبالغ في التفكير في كل كلمة ويصبح عالقاً.

2. "التقاط اللقطات" (MagFluxLSTM)

كيف يعمل: ينظر هذا النموذج إلى آخر 110 ساعة من البيانات دفعة واحدة ويتنبأ بـ 12 ساعة القادمة في "لقطة" واحدة. هو لا يعتمد على تخميناته السابقة لصنع التخمين التالي.
الاستعارة: هذا يشبه طالباً ينظر إلى الصورة الكاملة لغيوم العاصفة، والرياح، وجهاز قياس الضغط، ثم يكتب توقعات الطقس لليوم التالي بالكامل في خطوة واحدة.
النتيجة: هذا النموذج الأبسط هو الذي فاز! فقد كان أكثر استقراراً، وتعلم بشكل أسرع، وارتكب أخطاءً أقل. وجد الباحثون أن 89% من إعدادات الذكاء الاصطناعي الأفضل أداءً كانت من نوع "التقاط اللقطات" الأبسط هذا.

السر الخاص: "الخسارة الهجينة" (Hybrid Loss)

أحد أذكى الأشياء التي قام بها الفريق هو تغيير طريقة تقييم "واجبات" الذكاء الاصطناعي.

عادةً، يتم تقييم الذكاء الاصطناعي بناءً على مدى قرب أرقامه من الأرقام الحقيقية (على سبيل المثال: "هل توقعت أن تكون درجة الحرارة 75 فهرنهايت بينما كانت في الواقع 74 فهرنهايت؟").

لكن بالنسبة للعواصف الشمسية، التوقيت هو كل شيء. التنبؤ بعاصفة قبل 12 ساعة لا فائدة منه إذا أخطأت في التوقيت. لذا، ابتكروا نظام تقييم هجين:

الدرجة (أ): حصلت على الرقم الصحيح.
الدرجة (ب): حصلت على سرعة التغير الصحيحة (على سبيل المثال: كنت تعلم أن المجال المغناطيسي يتسارع نحو نقطة حرجة).

من خلال تعليم الذكاء الاصطناعي الاهتمام بـ معدل التغير (المشتقة)، أصبح أفضل بكثير في رصد اللحظة الدقيقة التي أوشكت فيها العاصفة على الظهور على السطح.

النتائج: انطلاقة مبكرة قبل الكارثة

عندما اختبروا هذا الذكاء الاصطناعي على 5 عواصف شمسية جديدة لم يرها من قبل، إليكم ما حدث:

التنبؤ: نجح الذكاء الاصطناعي في التنبؤ بأن عاصفة مغناطيسية قادمة قبل 3 إلى 10 ساعات من ظهورها فعلياً للتلسكوبات البشرية.
الدقة: في 3 من أصل 5 حالات اختبار، أعطى الذكاء الاصطناعي "إنذاراً" مبكراً بما يكفي ليكون مفيداً لعمليات طقس الفضاء في العالم الحقيقي.
المناطق الهادئة: كما حدد بدقة المناطق التي لا يحدث فيها أي شيء، حتى لا يطلق إنذارات كاذبة دون داعٍ.

لماذا هذا مهم؟

فكر في هذا الأمر كأنه نظام تحذير من تسونامي.

الطريقة القديمة: انتظر حتى تتراجع المياه وتصبح الموجة مرئية في الأفق، ثم أخبر الناس أن يركضوا. (فات الأوان!)
الطريقة الجديدة (هذا البحث): يشعر الذكاء الاصطناعي بالاهتزازات الطفيفة في قاع المحيط ويخبر الناس أن يركضوا قبل 10 ساعات من تشكل الموجة حتى.

بينما لا يزال هذا النموذج المحدد في مرحلة "المختبر"، إلا أنه يثبت أنه يمكننا استخدام ذكاء اصطناعي بسيط وذكي للاستماع إلى اهتزازات الشمس ومنحنا انطلاقة حاسمة لحماية تقنياتنا من العواصف الشمسية. إنها خطوة نحو مستقبل لا نكتفي فيه بمجرد رد الفعل تجاه طقس الفضاء، بل نتنبأ به.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التنبؤ بتطور التدفق المغناطيسي أثناء بروز المناطق النشطة الشمسية باستخدام شبكات الذاكرة الطويلة قصيرة المدى (LSTM)."

1. بيان المشكلة

تعد المناطق النشطة الشمسية (ARs) المحركات الرئيسية لأحداث طقس الفضاء (التوهجات، الانبعاثات الكتلية الإجرامية، والجسيمات النشطة). ويعد الكشف المبكر عن بروز هذه المناطق أمراً بالغ الأهمية للتنبؤ التشغيلي بطقس الفضاء. وبينما نجحت الدراسات السابقة في استخدام التعلم الآلي للتنبؤ بانخفاض شدة الاستمرارية (continuum intensity) المرتبط ببروز المناطق النشطة، فإن هذه الدراسة تعالج تحدياً أكثر مباشرة وأهمية من الناحية التشغيلية: التنبؤ بتطور التدفق المغناطيسي ( $\Phi_m$ ) قبل أن يصبح مرئياً على الفوتوسفير الشمسي.

وتشمل الصعوبات الجوهرية ما يلي:

التقاط الاعتمادات الزمنية طويلة المدى والتوقيعات الدقيقة لما قبل البروز في القدرة الصوتية وشدة الاستمرارية.
التنبؤ بالتوقيت المحدد ومقدار نمو التدفق المغناطيسي، وهو السلف المباشر لأحداث طقس الفضاء.
تحقيق مهلة زمنية كافية (النافذة التشغيلية) للتنبؤ مع القدرة على التعميم على المناطق النشطة التي لم تُشاهد أثناء التدريب.

2. المنهجية

2.1 مجموعة البيانات (SolARED)

المصدر: بيانات من مرصد ديناميكيات الشمس (SDO)/مصور الهيليوسيزم والمغناطيسية (HMI) تغطي الفترة من مارس 2010 إلى يونيو 2023.
النطاق: 53 منطقة نشطة (ARs).
- التدريب: 41 منطقة نشطة (77%).
- التحقق: 7 مناطق نشطة (13%).
- الاختبار: 5 مناطق نشطة (10%) – تم اختيارها خصيصاً لاختبار القدرة على التعميم على البيانات غير المرئية.
الملاحظات: سلاسل زمنية أحادية البعد مشتقة من مجال رؤية بمقدار $30.66^\circ \times 30.66^\circ$ $30.6 6^{\circ} \times 30.6 6^{\circ}$ ، تم متوسطها مكانياً في صف مركزي مكون من 9 بلاطات ( $9 \times 9$ $9 \times 9$ شبكة، مع استبعاد الصفوف العلوية والسفلية للتركيز على قلب المنطقة النشطة).
- شدة الاستمرارية ( $I_c$ ).
- التدفق المغناطيسي غير الموجه ( $\Phi_m$ ).
- القدرة الصوتية ( $P_a$ ) في 4 نطاقات ترددية (2–3، 3–4، 4–5، 5–6 ميلي هرتز).
الدقة الزمنية: وتيرة زمنية قدرها ساعة واحدة عبر نافذة زمنية مدتها 240 ساعة.
تقسيم البيانات: تم استخدام نهج النافذة المنزلقة حيث كانت $W=110$ ساعة تعمل كمدخل للتنبؤ بالـ $P=12$ ساعة التالية.

2.2 بنيات النماذج

قارن المؤلفون بين بنيتين تعتمدان على الـ LSTM:

MagFluxEnc-Dec (مشفر-فك تشفير LSTM):
- البنية: يقوم مشفر LSTM متعدد الطبقات بضغط تسلسل المدخلات إلى حالة سياقية؛ ثم يقوم فك تشفير متكرر بتوليد التسلسل المستقبلي بشكل تلقائي (autoregressively).
- الآلية: يستخدم الإجبار بالمعلم (Teacher Forcing) (تغذية القيم الحقيقية استناداً إلى الأرضية كمدخلات أثناء التدريب) للتخفيف من انحياز التعرض.
- التعقيد: عدد أكبر من المعلمات ومسارات تدرج أطول.
MagFluxLSTM (LSTM مكدس):
- البنية: نموذج LSTM مكدس متعدد الطبقات يعالج نافذة المدخلات بأكملها في تمريرة أمامية واحدة.
- الآلية: غير تلقائي (Non-autoregressive). يقوم بتوليد جميع الخطوات الزمنية المستقبلية الـ $P=12$ في وقت واحد من الحالة المخفية النهائية للطبقة العليا عبر طبقة مخرجات خطية. لا يتم استخدام الإجبار بالمعلم هنا.
- التعقيد: أبسط، وعدد أقل من المعلمات.

2.3 دالة الخسارة والتدريب

معيار البروز: تم تعريفه بأن مشتق التدفق المغناطيسي بالنسبة للزمن ( $d\Phi_m/dt$ ) يتجاوز 0.01 لمدة مستمرة قدرها 4 ساعات.
دالة الخسارة الهجينة: لمعالجة الحاجة إلى دقة التوقيت (المشتق) جنباً إلى جنب مع المقدار، تم تقديم دالة خسارة هجينة:
$L_{hybrid} = \alpha L_{mse} + (1 - \alpha) L_{derivative}$
- $L_{mse}$ : متوسط مربع الخطأ لمقدار التدفق.
- $L_{derivative}$ : متوسط مربع الخطأ للفروق المحدودة من الدرجة الأولى (التدرجات الزمنية).
- $\alpha$ : معامل خلط يتم تحسينه أثناء التدريب.
تحسين المعلمات الفائقة: بحث منهجي باستخدام Ray Tune مع Hyperopt ومجدول ASHA. شملت المعلمات الفائقة الرئيسية معدل التعلم، اضمحلال الوزن، الإسقاط (dropout)، عدد الطبقات، والوحدات المخفية.

3. المساهمات الرئيسية

أول نموذج تعلم آلي للتنبؤ بالتدفق المغناطيسي: على عكس الأعمال السابقة التي ركزت على شدة الاستمرارية، تعد هذه أول دراسة تتنبأ مباشرة بتطور بروز التدفق المغناطيسي باستخدام التعلم العميق.
الرؤية البنيوية: أثبتت أن بنية الـ LSTM المكدس (MagFluxLSTM) الأكثر بساطة تتفوق على بنية المشفر-فك التشفير (MagFluxEnc-Dec) الأكثر تعقيداً لهذه المهمة المحددة. أظهر النموذج الأبسط تعميماً واستقراراً أفضل، ويرجع ذلك على الأرجح إلى تقليل الإفراط في التخصيص (overfitting) على مجموعة البيانات المحدودة (53 منطقة نشطة).
ابتكار دالة الخسارة الهجينة: قدمت دالة خسارة تعمل على تحسين المشتقات الزمنية صراحةً، مما يربط الهدف الرياضي بالهدف الفيزيائي المتمثل في اكتشاف بداية بروز التدفق.
مهلة زمنية تشغيلية: حققت تنبؤات ببروز التدفق المغناطيسي قبل 3 إلى 10 ساعات من الملاحظة المرئية، وهي نافذة زمنية حرجة للتحذيرات من طقس الفضاء.

4. النتائج

مقاييس الأداء:
- من بين أفضل 100 تكوين للمعلمات الفائقة المصنفة حسب جذر متوسط مربع الخطأ للمشتق (derivative RMSE) في مرحلة التحقق، كانت 89% منها تتوافق مع MagFluxLSTM مع الخسارة الهجينة، بينما 2% فقط كانت تتوافق مع MagFluxEnc-Dec.
- أظهر نموذج MagFluxEnc-Dec تبايناً أعلى وتعميماً أضعف على المناطق النشطة غير المرئية.
دقة التنبؤ:
- نجح نموذج MagFluxLSTM في التنبؤ ببداية زيادة التدفق المغناطيسي في 3 من أصل 5 مناطق نشطة اختبارية ضمن إطار زمني تشغيلي (مع مراعاة تأخير معالجة البيانات لمدة 4 ساعات).
- المهل الزمنية: تمت التنبؤات قبل 3 إلى 10 ساعات من البروز الفعلي الملحوظ. على سبيل المثال، في المنطقة النشطة AR11726، تنبأ النموذج بالبروز قبل 4 ساعات.
- الإنذارات الكاذبة: حدد النموذج بشكل صحيح البلاطات "الهادئة" (التي لا يوجد بها بروز) في معظم الحالات، رغم حدوث بعض حالات "التنبؤات المحلية غير الصحيحة للنشاط" (ILAP) في بلاطات محددة.
المقارنة مع الأعمال السابقة: بينما تنبأت النماذج السابقة بانخفاض شدة الاستمرارية قبل ما يصل إلى 36 ساعة، يتنبأ هذا النموذج بزيادة التدفق المغناطيسي الأكثر أهمية قبل ما يصل إلى 10 ساعات.

5. الأهمية والعمل المستقبلي

الأثر التشغيلي: يوفر هذا الإطار مساراً قابلاً للتطبيق نحو أدوات تشغيلية للتنبؤ بطقس الفضاء يمكنها التحذير من الاضطرابات الجيومغناطيسية قبل أن تكون المنطقة النشطة قابلة للكشف بصرياً.
التحقق العلمي: يؤكد أن الديناميكيات تحت السطحية (التي يتم التقاطها عبر القدرة الصوتية وشدة الاستمرارية) تحتوي على توقيعات تنبؤية لبروز التدفق المغناطيسي.
الاتجاهات المستقبلية:
- دمج الارتباطات المكانية (مثل استخدام الشبكات العصبية الالتفافية CNNs) لنمذجة مجمعات المناطق النشطة الممتدة بدلاً من التعامل مع البلاطات بشكل مستقل.
- دمج ملاحظات المجال المغناطيسي الشعاعي لتوصيف الطوبولوجيا المغناطيسية بشكل أفضل.
- تطبيق التعلم بنقل المعرفة (transfer learning) على مشكلات ذات صلة مثل التنبؤ بالتوهجات الشمسية وتكون الخيوط الشمسية (filaments).

في الختام، تثبت الدراسة أن بنيات الـ LSTM الأبسط وغير التلقائية (non-autoregressive) المقترنة بدوال خسارة مدركة للمشتقات هي الأفضل للتنبؤ بالتطور الزمني لبروز التدفق المغناطيسي الشمسي، مما يوفر أداة قوية لأنظمة الإنذار المبكر من طقس الفضاء.