A Convolutional Neural Network-Derived Catalog of Solar Flares from Soft X-Ray Observations

Diese Studie stellt einen neuartigen Katalog von Sonneneruptionen vor, der mithilfe eines Convolutional Neural Networks (CNN) auf hochauflösenden GOES-Röntgendaten basiert und durch eine deutlich erhöhte Empfindlichkeit für kleine Ereignisse sowie eine Bayesianische Nachbearbeitung die statistische Erfassung und Analyse von Flares im Vergleich zu bestehenden Katalogen erheblich verbessert.

Das Wesentliche

Titel: Der Sonnensuper-Scanner: Wie eine künstliche Intelligenz die Sonnenstürme neu zählt

Stellen Sie sich die Sonne nicht als ruhigen, goldenen Ball vor, sondern als einen riesigen, nervösen Feuerwehrmann, der ständig kleine Funken und manchmal riesige Flammenwerfer abschießt. Diese „Flammen" nennt man Sonnenstürme (oder Flares). Sie sind plötzliche Energieausbrüche, die unsere Satelliten und Stromnetze stören können.

Bisher haben wir diese Stürme mit einer Art „altem, träge arbeitendem Zähler" gemessen. Dieser Zähler (der GOES-Katalog) war gut, aber er hatte ein großes Problem: Wenn es auf der Sonne besonders laut und chaotisch war (wenn viele Stürme gleichzeitig losgingen), überhörte der alte Zähler die kleinen Funken. Er dachte: „Ach, das ist nur Hintergrundrauschen" und zählte sie gar nicht. Das ist, als würde man in einem lauten Stadion versuchen, ein Flüstern zu hören – man verpasst die leisen Stimmen komplett.

Die neue Lösung: Ein KI-Experte mit Super-Ohr

In dieser neuen Studie haben die Forscher (Nastaran Farhang und ihr Team) eine künstliche Intelligenz (KI) entwickelt, die wie ein hochspezialisierte Detektiv funktioniert. Diese KI, eine sogenannte „Convolutional Neural Network" (CNN), wurde nicht mit dem alten, langsamen Zähler trainiert, sondern mit den rohen, hochauflösenden Daten der Satelliten.

Hier ist die Magie im Detail, einfach erklärt:

1. Der Unterschied zwischen „Ganze Geschichte" und „Der Funke":
   Der alte Zähler versuchte, den ganzen Sturm zu erfassen: Wann er anfing, wann er seinen Höhepunkt hatte und wann er wieder abklingte. Das ist schwierig, wenn zwei Stürme gleichzeitig losgehen – sie verschmelzen zu einem großen, unklaren Haufen.
   Die neue KI ist schlauer: Sie ignoriert den ganzen Haufen und konzentriert sich nur auf den Aufwärtstrend. Sie sucht nach dem Moment, in dem die Energie steigt. Das ist wie ein Wachhund, der nicht wartet, bis das Feuer gelöscht ist, sondern bellt, sobald er den ersten Funken sieht. Dadurch kann sie auch dann Stürme erkennen, wenn sie sich überlappen.

2. Die Entdeckung:
   Als die KI die Daten von 2018 bis 2025 durchsuchte, passierte etwas Erstaunliches: Sie fand 111.580 Sonnenstürme!
   Der alte GOES-Katalog hatte für denselben Zeitraum nur 14.612 Stürme notiert.
   Die KI hat also siebenmal mehr Stürme gefunden! Sie hat die „versteckten" kleinen Funken entdeckt, die der alte Zähler übersehen hatte.

3. Der „Vertrauens-Check" (Bayes'sche Logik):
   Da die KI so viele neue Stürme fand, fragten sich die Forscher: „Sind das echte Stürme oder nur zufälliges Rauschen?"
   Um das herauszufinden, nutzten sie eine mathematische Methode namens Bayessche Inferenz. Stellen Sie sich das wie einen Richter vor, der Beweise sammelt:

   • Wie stark war der Funke? (Stärke)
   • Wie schnell stieg er an? (Geschwindigkeit)
   • Stimmt er mit anderen Datenbanken überein? (Zeugenaussagen)
     Basierend auf diesen Beweisen berechnet die KI eine Wahrscheinlichkeit: „Zu 90 % ist das ein echter Sturm." Nur die sichersten Fälle kommen in den neuen Katalog.

Was bedeutet das für uns?

• Ein klareres Bild: Früher dachten wir, die Sonne macht viele kleine Stürme und wenige große. Jetzt wissen wir, dass die Sonne überall kleine Stürme macht, nur haben wir sie vorher nicht gesehen.
• Die Statistik ändert sich: Wenn man die neuen Daten betrachtet, sieht man, dass die Verteilung der Stürme ganz anders aussieht als gedacht. Es gibt viel mehr kleine Ereignisse, als man annahm.
• Keine „Erinnerung" der Sonne: Ein großes Rätsel war, ob ein großer Sturm die Sonne „erschöpft", sodass danach eine Pause folgt. Die alten Daten deuteten darauf hin, dass ja. Aber die neuen, vollständigen Daten der KI zeigen: Nein. Die Stürme passieren zufällig, wie das Würfeln mit einem fairen Würfel. Die Sonne „erinnert" sich nicht an den letzten Sturm. Die scheinbare Pause war nur ein Trick des alten Zählers, der die vielen kleinen Stürme in den Pausen übersehen hatte.

Fazit

Diese Studie ist wie der Wechsel von einer alten, unscharfen Kamera zu einem hochmodernen 8K-Objektiv. Wir sehen jetzt die Sonne viel detaillierter. Die KI hat uns gezeigt, dass das Universum der Sonnenstürme viel voller, lauter und chaotischer ist als bisher angenommen. Das hilft uns, besser zu verstehen, wie die Sonne funktioniert und wie wir uns vor ihren Ausbrüchen schützen können.

Kurz gesagt: Wir haben einen neuen, super-scharfen Zähler gebaut, der uns zeigt, dass die Sonne viel häufiger „niesen" (kleine Stürme) als gedacht, und dass diese Nieser völlig zufällig passieren.

Technische Zusammenfassung

Titel: Ein von Convolutional Neural Networks (CNN) abgeleiteter Katalog von Sonneneruptionen aus Soft-Röntgen-Beobachtungen

Autoren: Nastaran Farhang, Michael S. Wheatland, Andrew Melatos
Datum: 13. April 2026 (Entwurf)

---

1. Problemstellung

Die statistische Analyse von Sonneneruptionen (Flares) ist entscheidend für das Verständnis der Energiespeicherung und -freisetzung in der Sonnenatmosphäre. Bestehende Studien zeigen jedoch oft widersprüchliche Ergebnisse bezüglich der Verteilungen von Flare-Größen, Wartezeiten und Anstiegszeiten. Ein Hauptgrund für diese Diskrepanzen liegt in den Limitierungen herkömmlicher Detektionsalgorithmen (FDAs), insbesondere des weit verbreiteten NOAA/GOES-Katalogs.

• Verdeckungseffekt (Obscuration): Während Phasen hoher solarer Aktivität unterdrückt ein erhöhter Hintergrundfluss die Detektion schwächerer Ereignisse und maskiert zeitlich benachbarte Flares. Dies führt zu einer systematischen Unterschätzung der Ereignisrate.
• Willkürliche Kriterien: Herkömmliche Algorithmen basieren oft auf willkürlichen Schwellenwerten und der Annahme einer "langsamen Antriebsphase" (slow-driving assumption), wonach ein Flare vollständig abklingen muss, bevor der nächste beginnt. Dies verhindert die korrekte Identifizierung überlappender Ereignisse.
• Datenauflösung: Der GOES-Katalog nutzt oft 1-Minuten-Mittelwerte, was feine zeitliche Strukturen verwischt.

2. Methodik

Die Autoren entwickeln einen neuen Katalog, der auf einem Convolutional Neural Network (CNN) basiert, welches direkt auf hochauflösende (1-Sekunden-Cadence) Soft-Röntgen-(SXR)-Daten der GOES-Satelliten angewendet wird.

• Zielsetzung des CNN: Das Netzwerk ist darauf trainiert, spezifisch Anstiegsphasen (rise episodes) von Flares zu identifizieren, anstatt komplette Start-Ende-Profile. Dies ermöglicht die Erkennung überlappender Ereignisse, da neue Flares während der Abklingphase eines vorherigen Flares erkannt werden können.
• Referenzkatalog (Ground Truth): Um ein überwachtes Lernen zu ermöglichen, wurde ein manueller Referenzkatalog erstellt. Ein Analyst (NF) inspizierte visuell 145 zufällig ausgewählte Tage (2018–2025) und markierte Anstiegsphasen. Ein unabhängiger zweiter Analyst (MW) führte eine Blindprüfung durch, um die Konsistenz zu gewährleisten.
• Datenvorbereitung: Die GOES-SXR-Signale wurden in überlappende Fenster (600 Samples, 20% Versatz) segmentiert und mittels Z-Score-Standardisierung normalisiert, um die Sensitivität über alle Größenordnungen hinweg zu gewährleisten.
• Bayessche Konfidenzschätzung: Da das CNN Kandidaten liefert, die Rauschen sein könnten, wurde ein Bayesscher Rahmen entwickelt, um die Wahrscheinlichkeit eines "True Positive" (TP) zu quantifizieren.
  • Hypothesen: $H_0$ (Fehlalarm) vs. $H_1$ (echter Flare).
  • Merkmale: Amplitude (hintergrundkorrigierter Spitzenfluss), Anstiegszeit und eine binäre Übereinstimmungsmarke ($C$) mit bestehenden Katalogen (GOES, HEK, SolO).
  • Posterior-Wahrscheinlichkeit: Die Wahrscheinlichkeit wird basierend auf der gemeinsamen Verteilung von Amplitude und Anstiegszeit sowie der zeitlichen Übereinstimmung berechnet.

3. Schlüsselbeiträge

• Neuer Detektionsalgorithmus: Erste Anwendung eines CNN zur Erstellung eines Flare-Katalogs aus reinen SXR-Zeitreihen mit 1-Sekunden-Auflösung.
• Überwindung der Verdeckung: Durch den Fokus auf Anstiegsphasen und die hohe zeitliche Auflösung werden überlappende und schwache Flares detektiert, die in herkömmlichen Katalogen verloren gehen.
• Quantitative Unsicherheitsbewertung: Einführung einer Bayesschen Methode, um jedem detektierten Kandidaten eine Konfidenzwahrscheinlichkeit zuzuordnen, was eine flexible Filterung des Katalogs erlaubt.
• Umfassender Datensatz: Ein Katalog für den Zeitraum vom 1. Januar 2018 bis zum 22. August 2025.

4. Ergebnisse

• Ereignisanzahl: Der CNN-Katalog identifiziert 111.580 Flare-Kandidaten im Vergleich zu nur 14.612 Ereignissen im entsprechenden GOES-Katalog.
  • Bei einem hohen Konfidenzniveau ($P > 0.9$) bleiben 62.896 Ereignisse übrig (über 4-mal mehr als GOES).
  • Bei einem liberaleren Schwellenwert ($P > 0.2$) sind es 111.486 Ereignisse (über 7-mal mehr als GOES).
• Größenverteilung (Peak Flux):
  • Die Verteilung der rohen Spitzenflüsse folgt einem Potenzgesetz. Der CNN-Katalog zeigt einen steileren Index ($-2.59 \pm 0.02$) als GOES ($-2.25 \pm 0.04$), was auf eine höhere Sensitivität für kleine Ereignisse hinweist.
  • Nach Hintergrundkorrektur nähern sich die Indizes an ($-1.97$ für CNN vs. $-2.05$ für GOES).
  • Der CNN-Katalog erweitert den gültigen Potenzgesetz-Bereich um eine Größenordnung in Richtung kleinerer Flüsse ($10^{-7}$ bis $10^{-3}$ Wm$^{-2}$).
• Wartezeiten und Asymmetrie:
  • Die Wartezeitverteilungen beider Kataloge sind weitgehend konsistent mit einem stückweisen Poisson-Prozess (memoryless).
  • Kritische Erkenntnis: Frühere Berichte über eine Korrelation zwischen Flare-Größe und Wartezeit (d.h. große Flares werden von längeren Wartezeiten gefolgt) werden als Artefakt der Verdeckung (Obscuration) entlarvt. Im GOES-Katalog erscheinen große Flares asymmetrisch, weil schwache, zeitlich benachbarte Ereignisse übersehen werden. Der CNN-Katalog, der diese "versteckten" Ereignisse erfasst, zeigt eine nahezu symmetrische Verteilung der Wartezeiten vor und nach einem Flare.
• Solarer Zyklus: Der Katalog zeigt die erwartete Modulation der Flare-Rate über den solaren Zyklus (2018–2025), wobei die Rate von Solar Minimum zu Maximum um etwa 3,2 Größenordnungen ansteigt.

5. Bedeutung und Fazit

Diese Studie liefert die Grundlage für eine vollständige und konsistente statistische Untersuchung von Sonneneruptionen.

• Physikalische Implikation: Die Ergebnisse stützen die Hypothese, dass Sonneneruptionen ein räumlich unkorrelierter, zufälliger Prozess (im Sinne der Selbstorganisierten Kritikalität) sind, bei dem die Größe eines Flares die Timing des nächsten kaum beeinflusst. Die zuvor beobachteten Korrelationen waren ein Messfehler durch unvollständige Kataloge.
• Methodischer Fortschritt: Der Ansatz demonstriert, dass Deep Learning (CNNs) in der Sonnenphysik überlegene Detektionsfähigkeiten bietet, insbesondere bei der Auflösung komplexer, überlappender Phänomene in hochauflösenden Zeitreihen.
• Zukunftsausblick: Der neue Katalog ermöglicht zukünftige Studien, die Flare-Statistiken innerhalb einzelner aktiver Regionen (ARs) untersuchen und die Beziehung zwischen Ereignisgröße und Wartezeit im Kontext der Flare-Auslösung präziser beleuchten.

Der Katalog und der Referenzdatensatz sind öffentlich zugänglich unter solarflarecnncatalog.com und werden in der VizieR-Datenbank archiviert.