A Leakage-Controlled Time-Series Forecasting Benchmark for GOES Soft X-ray and Proton Flux

إن الشمس ليست نجماً ثابتاً لا يتغير، بل هي محرك ديناميكي ينفجر أحياناً، مرسلاً دفقات من الإشعاع والجسيمات عالية الطاقة التي تتسابق نحو الأرض بسرعة الضوء. وعندما تضرب هذه الانفجارات كوكبنا، يمكنها تعطيل التكنولوجيا التي نعتمد عليها يومياً، بدءاً من الأقمار الصناعية التي توجه نظام تحديد المواقع العالمي (GPS) وصولاً إلى شبكات الطاقة التي تضيء مدننا. ولحماية هذه الأنظمة، يحتاج العلماء ليس فقط لمعرفة ما إذا كان هناك انفجار قادم، بل إلى معرفة كيفية سلوكه بدقة: ما مدى سرعة صعوده، ومدى شدته، وكم سيستمر. لعقود من الزمن، حاول الباحثون التنبؤ بهذه الأحداث باستخدام النماذج الحاسوبية، لكن دراسة جديدة تشير إلى أن الطريقة التي كنا نختبر بها هذه النماذج كانت تخفي خللاً جوهرياً.

قام فريق من الباحثين في معهد كوريا لعلوم الفلك والفضاء ببناء اختبار جديد أكثر صرامة لمعرفة ما إذا كان الذكاء الاصطناعي يمكنه حقاً التنبؤ بشدة التوهجات الشمسية وتدفق البروتونات النشطة. فبدلاً من مجرد سؤال الكمبيوتر عما إذا كان التوهج سيحدث أم لا، طلبوا منه التنبؤ بالصعود والهبوط المستمر والدقيق، دقيقة بدقيقة، لمستويات الإشعاع. لقد جمعوا بيانات تمتد لقرابة ثلاثة عقบท، تغطي دورات متعددة من النشاط الشمسي، ورتبوا عملية الاختبار بعناية بحيث لا يمكن للكمبيوتر الوصول إلى معلومات مستقبلية. كشف هذا النهج الصارم عن حقيقة مفاجئة: بينما تبرع بعض النماذج في التنبؤ بالخلفية العامة الهادئة للنشاط الشمسي، فإنها تفشل بشكل كبير في التنبؤ بالارتفاعات المفاجئة والخطيرة التي تشكل أكبر تهديد لتكنولوجيتنا.

جوهر هذا العمل هو معيار مرجعي جديد، وهو اختبار معياري مصمم للقضاء على خطأ شائع يُعرف باسم "تسرب البيانات". في العديد من الدراسات السابقة، كان الباحثون يخلطون بياناتهم عشوائياً قبل تدريب نماذجهم. وهذا يشبه المذاكرة لامتحان تاريخ عبر قراءة الإجابات قبل رؤية الأسئلة. ولأن النشاط الشمسي يتبع جدولاً زمنياً، فإن خلط البيانات سمح للنماذج بتعلم أنماط من المستقبل لم يكن بإمكانها الحصول عليها في سيناريو واقعي. يعالج المعيار الجديد هذا الأمر من خلال تقسيم البيانات إلى كتل زمنية صارمة وغير متداخلة؛ حيث يتم تدريب النماذج على البيانات الماضية واختبارها فقط على البيانات المستقبلية، مما يضمن أن أي مهارة تظهرها هي تنبؤ حقيقي وليست مجرد ذاكرة. اختبر الباحثون عشرة نماذج مختلفة من التعلم العمدي الحديث مقابل هدفين محددين: تدفق الأشعة السينية اللينة، الذي يقيس شدة التوهجات الشمسية، وتدفق البروتونات، الذي يقيس تدفق الجسيمات عالية الطاقة التي يمكن أن تضر المركبات الفضائية.

عندما أجرى الباحثون الاختبارات، كانت النتائج مزيجاً من النجاح والقيود المثبطة للآمال. أثبت أحد النماذج، وهو "الشبكة المتكررة المقطعية" (segment-recurrent network)، أنه الأكثر دقة في التنبؤ بالشكل العام لمنحنيات الإشعاع، حيث أنتج باستمرار أقل الأخطاء عند قياس الفرق بين تنبؤاته والبيانات الفعلية. ومع ذلك، فإن هذه الدقة الإجمالية لم تروِ سوى نصف القصة. فعندما نظر الباحثون تحديداً في القدرة على التنبؤ بالارتفاعات المفاجئة والاندفاعية التي تحدد التوهج الشمسي الخطير، أخفق النموذج الأفضل أداءً. فقد أصبح مركزاً جداً على ضبط المتوسط والخلفية الهادئة لدرجة أنه قام بتنعيم القمم الحادة، مما أدى فعلياً إلى تفويت اللحظات الأكثر حرجاً. في الواقع، بالنسبة للتنبؤ بهذه الارتفاعات المفاجئة، سجلت درجة مهارة أفضل نموذج عند "أرض الاستمرارية" (persistence floor)، حيث لم يكن أداؤه أفضل من مجرد تخمين بسيط بأن الظروف الحالية ستظل كما هي، بنتيجة تقارب 0.10.

هذا الانفصال بين الدقة الإجمالية والقدرة على رصد الأحداث الخطيرة هو أهم ما توصلت إليه الورقة البحثية. وجد الباحثون أن تقليل متوسط الخطأ يؤدي في الواقع إلى تشجيع النماذج على تجاهل الأحداث النادرة والمتطرفة لأن تلك الأحداث نادرة جداً مقارنة بالخلفية الهادئة. فالنموذج الذي يحاول أن يكون مثالياً في المتوسط سينحرف طبيعياً نحو التنبؤ بالأجزاء الهادئة والمملة من البيانات، تاركاً الارتفاعات العنيفة دون توقع. ومن المثير للاهتمام أن هذه المشكلة ظهرت فقط في التوهجات الشمسية. فعند التنبؤ بتدفق البروتونات النشطة، التي تميل إلى الاستمرار لأيام بمجرد بدئها، كانت النماذج التي كانت جيدة في الرياضيات الإجمالية جيدة أيضاً في رصد الأحداث. يتصرف نوعا النشاط الشمسي بشكل مختلف: التوهجات مفاجئة وفوضوية، بينما تدفقات البروتونات تشبه موجة بطيئة ومتدحرجة يسهل تتبعها.

كما قارنت الدراسة هذه النماذج الحاسوبية الجديدة بالتوقعات التشغيلية الحالية التي تستخدمها الإدارة الوطنية للمحيطات والغلاف الجوي (NOAA). بالنسبة لتدفقات البروتونات، كان أداء النماذج الجديدة منافساً للأنظمة الحالية التي يقودها البشر. ولكن بالنسبة للتوهجات الشمسية، لم يستطع أي من نماذج الذكاء الاصطناعي التفوق على المرجع الأساسي الأكثر تطوراً المتمثل في افتراض أنه إذا وقع حدث للتو، فإن حدثاً آخر سيتبعه. وبينما قدم أفضل نموذج أداءً يبلغ ضعف مهارة التخمين "الثابت القيمة" (الذي يفترض عدم تغير الظروف أبداً)، إلا أنه ظل أقل بكثير من المرجع التشغيلي ومن أساس الاستمرارية الأكثر واقعية. حتى بنيات التعلم العميق الأكثر تقدماً، والتي أحدثت ثورة في مجالات أخرى عديدة، لم تستطع فك شفرة التنبؤ بالتوقيت والشدة بدقة للتوهج قبل بضع ساعات من وقوعه. وأشار الباحثون إلى أن هذه الصعوبة قد لا تكون فشلاً في النماذج الحاسوبية نفسها، بل هي حد أساسي للبيانات؛ إذ يبدو أن البداية المفاجئة للتوهج غير قابلة للتنبؤ بطبيعتها من خلال التاريخ الخاص بتدفق الإشعاع وحده.

في النهاية، يعد هذا العمل بمثابة مراجعة ضرورية للواقع في مجال التنبؤ بالطقس الفضائي. فهو يوضح أن النموذج يمكن أن يكون له معدل خطأ منخفض ومع ذلك يكون عديم الفائدة لغرضه المنشود إذا فشل في رصد الأحداث المتطرفة. لقد أطلق الباحثون بياناتهم، وكود البرمجة الخاص بهم، وإطار الاختبار الخاص بهم للجمهور، داعين علماء آخرين لمحاولة حل هذه المشكلة تحت نفس القواعد الصارمة. ومن خلال إزالة إمكانية الوصول إلى المعلومات المستقبلية والتركيز على المهارة المحددة في رصد الارتفاعات الخطيرة، فقد وضعوا هدفاً واضحاً للجيل القادم من أدوات التنبؤ. ويقترحون أن المسار المستقبلي قد يتطلب أنواعاً جديدة من النماذج المصممة خصيصاً لإعطاء قيمة للحظات النادرة والعنيفة فوق المتوسط الهادئ، أو ربما التحول نحو استخدام أنواع مختلفة من البيانات الشمسية التي قد تحمل مفاتيح التنبؤ بهذه الانفجارات المفاجئة. وحتى ذلك الحين، يظل القدرة على التنبؤ بالعواصف الشمسية الأكثر خطورة تحدياً مفتوحاً، يتطلب منا النظر إلى ما وراء درجات الدقة البسيطة لفهم ما تتعلمه نماذجنا حقاً.