🔬 physics

GCR Spectra Reconstructed with Neutron Monitor Yield Function and Artificial Neural Networks: Comparison of Two Methods

Este artículo presenta y compara dos métodos —una función de rendimiento calibrada con un esquema de campo de fuerza y redes neuronales artificiales— para reconstruir los espectros de protones y helio de los rayos cósmicos galácticos con resolución temporal a partir de datos globales de monitores de neutrones, demostrando que el enfoque de redes neuronales ofrece una precisión y robustez superiores al extender los registros espectrales a periodos que carecen de observaciones satelitales directas.

Autores originales: Stepan Siruk, Vladislav Alekseev, Victor Kuzminov, Rustam Yulbarisov, Andrey Mayorov

Publicado 2026-07-27

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Stepan Siruk, Vladislav Alekseev, Victor Kuzminov, Rustam Yulbarisov, Andrey Mayorov

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La lluvia invisible y la estación meteorológica cósmica

Imagina que la Tierra es constantemente apedreada por una lluvia invisible de partículas diminutas y superrápidas llamadas Rayos Cósmicos Galácticos (GCR). No son gotas de agua, sino átomos de alta energía provenientes del espacio profundo, que viajan por la galaxia a casi la velocidad de la luz. Sin embargo, no nos golpean directamente. Antes de llegar a nuestra atmósfera, tienen que navegar a través de una gigantesca burbuja magnética giratoria que rodea a nuestro Sol llamada heliosfera. Piensa en esta burbuja como un túnel de viento cósmico; a medida que el Sol sopla su propio "viento solar" (una corriente de partículas cargadas) hacia afuera, crea una turbulencia magnética que empuja de vuelta contra la lluvia cósmica entrante, frenando a algunas y desviando otras. Este proceso se llama "modulación solar".

¿Por qué nos importa esta lluvia invisible? Porque es un arma de doble filo. Por un lado, es un peligro de radiación natural para los astronautas y las tripulaciones de aviones. Por otro lado, actúa como un gigantesco pincel invisible que pinta cambios químicos en nuestra atmósfera, influyendo potencialmente en los patrones climáticos y en los circuitos eléctricos de la Tierra. Para entender esto, los científicos necesitan saber exactamente cuántas de estas partículas nos golpean y qué tan energéticas son en cualquier momento dado. Normalmente, dependemos de satélites para captar estas partículas directamente, pero los satélites tienen límites: pueden romperse, no se pueden reparar en el espacio y a menudo tardan mucho tiempo en procesar sus datos. Esto nos deja con un vacío en nuestro conocimiento, especialmente para el pasado o para los momentos en que los satélites están inactivos. Necesitamos una forma de "ver" esta lluvia cósmica utilizando herramientas que ya tenemos en tierra.

El artículo: Convirtiendo sensores terrestres en un telescopio cósmico

Este artículo es la historia de dos formas diferentes de resolver un rompecabezas: cómo reconstruir el espectro de energía completo de estos rayos cósmicos utilizando únicamente los datos de una red global de detectores terrestres llamados Monitores de Neutrones (NM). Estos monitores son como orejas gigantes y sensibles en el suelo; no escuchan los rayos cósmicos directamente (ya que la atmósfera los bloquea), sino que escuchan el "eco" o el "salpicón" creado cuando los rayos cósmicos chocan contra el aire y crean una lluvia de partículas secundarias, incluyendo neutrones.

Los investigadores compararon dos métodos muy diferentes para convertir estos "salpicones" a nivel del suelo de nuevo en una imagen de la lluvia cósmica original.

Método 1: El detective de la física (La vieja forma)
El primer método es como un detective intentando resolver un crimen usando un libro de reglas y algunas pistas. Este enfoque utiliza una "función de rendimiento" (una receta matemática que te dice cuántos salpicones debería crear una energía específica de rayo cósmico) combinada con un modelo de "campo de fuerza". El modelo de campo de fuerza es una forma simplificada de describir cómo la burbuja magnética del Sol aleja a los rayos cósmicos. Los investigadores intentaron mejorar este método de la vieja escuela añadiendo algunos controles y diales extra a las matemáticas, como tener en cuenta los diferentes tipos de partículas pesadas en la lluvia cósmica y la mezcla específica de isótopos de helio. Calibraron este modelo utilizando datos de un satélite llamado AMS-02 (que voló de 2011 a 2019) para asegurarse de que la "receta" fuera precisa.

Método 2: El aprendiz de IA (La nueva forma)
El segundo método es como entrenar a un estudiante superinteligente (una Red Neuronal Artificial) para que mire las mismas pistas y adivine la respuesta. En lugar de seguir un libro de reglas estricto, esta IA fue alimentada con una cantidad masiva de datos: los conteos diarios de 17 monitores de neutrones diferentes alrededor del mundo, además de información sobre la actividad del Sol (como el número de manchas solares) y el estado de ánimo magnético de la Tierra (índices geomagnéticos). La IA aprendió los patrones por sí misma, descubriendo cómo los conteos en tierra se relacionan con la energía real de los rayos cósmicos sin que se le indicaran las ecuaciones físicas específicas.

El enfrentamiento: Lo que encontraron
Cuando los investigadores compararon los dos métodos con datos reales de satélites, los resultados fueron claros.

El método del "Detective de la física" (Método 1) era aceptable para ver el panorama general. Podía rastrear el ciclo de 11 años de la actividad solar, donde los rayos cósmicos se fortalecen cuando el Sol está tranquilo y se debilitan cuando el Sol está tormentoso. Sin embargo, tenía dificultades con los detalles. Tendía a sobreestimar cuánto cambiaban los rayos cósmicos durante las tormentas de corto plazo y a subestimar cuánto la burbuja magnética del Sol realmente los frenaba a altas energías. Era como un pronóstico del tiempo que acertaba la estación, pero fallaba en los chubascos diarios.

El "Aprendiz de IA" (Método 2) fue el claro ganador. Reprodujo los datos con mucha mayor precisión.

Precisión: La IA redujo el error promedio aproximadamente cuatro veces en energías bajas y dos veces en energías altas en comparación con el método de la física.
Fiabilidad: Mientras que el método de la física a veces adivinaba mal por mucho, las predicciones de la IA solían estar dentro de un margen de error minúsculo (un valor de "chi-cuadrado por grado de libertad" cercano a 1, que es el estándar de oro para un buen ajuste).
Viaje en el tiempo: Debido a que la IA aprendió los patrones tan bien, los investigadores pudieron usarla para "llenar los huecos" de los momentos en que no teníamos datos de satélites. Reconstruyeron con éxito los datos de rayos cósmicos de 2006–2011 (coincidiendo con los antiguos datos del satélite PAMELA) y de 2019–2022 (coincidiendo con los nuevos datos de AMS-02), convirtiendo efectivamente la red terrestre en una máquina del tiempo para los rayos cósmicos.

El giro: El cambio de polaridad magnética
Uno de los descubrimientos más interesantes fue un efecto de "histéresis". Cuando los investigadores graficaron los resultados, vieron que el método de la física se comportaba de manera diferente dependiendo de la dirección del campo magnético del Sol. Antes de 2014, cuando la polaridad magnética del Sol era negativa, el método de la física sobreestimaba consistentemente el flujo de rayos cósmicos. Después de 2014, cuando la polaridad cambió a positiva, el método se acercó mucho más a la verdad. La IA, sin embargo, no se confundió por este cambio; manejó ambos periodos con la misma eficacia. Esto sugiere que las viejas reglas de la física necesitan una actualización seria para tener en cuenta cómo cambia el campo magnético del Sol a lo largo del tiempo.

La conclusión final
El artículo concluye que, si bien el antiguo método basado en la física es útil para comprender las tendencias generales, el nuevo enfoque de IA es muy superior para lograr precisión en los detalles. Al entrenarla con datos de una red global de monitores de neutrones, ahora podemos utilizar la tierra de manera efectiva como un espectrómetro de tiempo real de alta precisión. Esto significa que podemos monitorear el entorno de radiación cósmica con alta precisión, incluso sin un satélite en el cielo, y podemos mirar hacia el pasado para ver cómo se comportó la lluvia cósmica durante los tiempos en que no teníamos ojos directos en el cielo. La red global de monitores de neutrones, que antes era solo una colección de sensores terrestres, ha sido actualizada en una unidad unificada y de alta tecnología: un telescopio para el cosmos.

Resumen Técnico: Reconstrucción de los Espectros de los GCR con la Función de Rendimiento de Monitores de Neutrones y Redes Neuronales Artificiales

Planteamiento del Problema
Los rayos cósmicos galácticos (GCR) son modulados por la heliosfera, lo que provoca que sus espectros de energía cerca de la Tierra difieran de los espectros locales interestelares (LIS). Comprender estas variaciones es crítico para el estudio de la actividad solar, el clima espacial y los procesos atmosféricos. Mientras que los instrumentos basados en el espacio como PAMELA y AMS-02 proporcionan mediciones directas, sufren de latencia de datos, degradación potencial por radiación y una resolución temporal limitada debido a restricciones estadísticas. Por el contrario, los monitores de neutrones (NM) terrestres ofrecen datos continuos de alta resolución temporal, pero solo miden el flujo integral de partículas secundarias atmosféricas, no los espectros de protones primarios de GCR directamente. La reconstrucción de los espectros de energía primaria a partir de los datos de los NM es un desafío debido a las incertidumbres en las funciones de rendimiento (YF), las funciones de acoplamiento y la necesidad de una calibración empírica que a menudo no logra capturar las no idealidades dependientes de la energía de los detectores.

Metodología
Los autores presentan y comparan dos marcos distintos para la reconstrucción de los espectros de energía de protones y helio de los GCR con resolución temporal utilizando datos de la red global de NM:

Enfoque Basado en la Física (YF + Aproximación de Campo de Fuerza):
- Calibración de la Función de Rendimiento: Se calculan las tasas de conteo teóricas utilizando las funciones de rendimiento de los NM. Los autores refinan el enfoque estándar incorporando un factor de escala $S(T)$ para contabilizar la contribución de núcleos más pesados (Z > 2) y la composición isotópica del helio (relación $^3$ He/ $^4$ He), utilizando datos promediados en el tiempo de AMS-02.
- Calibración: Para abordar las no idealidades de los detectores, los autores introducen un esquema de calibración empírica que involucra un factor de escala $\kappa$ y un parámetro de profundidad atmosférica efectiva $h^*$ . Sin embargo, el ajuste a los datos de AMS-02 (2011–2019) reveló que $h^*$ era casi idéntico a la profundidad atmosférica real, lo que sugiere que esta parametrización específica era innecesaria.
- Modelo de Campo de Fuerza (FFA): Los espectros de GCR se parametrizan utilizando una aproximación de campo de fuerza modificada de dos parámetros ( $\phi_0, \phi_1$ ) para describir el potencial de modulación solar $\phi(T)$ . Este modelo se ajusta diariamente a las tasas de conteo de cinco NM de bajo corte para reconstruir los espectros.
Enfoque Basado en Datos (Redes Neuronales Artificiales):
- Entradas: Los modelos utilizan las tasas de conteo diarias de 17 NM, el número de manchas solares (SSN), el índice geomagnético Ap y la polaridad del campo magnético heliosférico ( $A$ ). Crucialmente, las entradas de SSN y polaridad están retrasadas en el tiempo y promediadas para considerar el tiempo de propagación física de los efectos del viento solar hacia la heliosfera exterior.
- Arquitectura: Se entrenaron dos arquitecturas de redes neuronales: una Red Neuronal Convolucional (CNN) y un Perceptrón Multicapa (MLP).
- Entrenamiento: Los modelos fueron entrenados con los espectros diarios de protones y helio de AMS-02 (2011–2019). El entrenamiento minimizó el error cuadrático medio en los distintos intervalos de energía.
- Interpretabilidad: Se utilizaron valores SHAP (explicaciones aditivas de Shapley) para verificar que los modelos aprendieran relaciones físicamente consistentes, tales como que los NM de baja rigidez contribuyen a las predicciones de baja energía y los de alta rigidez a las de alta energía.

Contribuciones Clave

Modelo de Física Refinado: El estudio introduce un cálculo más riguroso de la contribución de los núcleos pesados a las tasas de conteo de los NM y contabiliza explícitamente la fracción isotópica de $^3$ He, algo que estudios previos a menudo omitían.
FFA Modificado: Se aplica un modelo de campo de fuerza de dos parámetros a los datos de NM, intentando capturar mejor la dependencia de la energía de la modulación solar, aunque los autores señalan limitaciones en el rango de baja energía.
Marco de ML Integral: A diferencia de estudios previos de aprendizaje automático que dependían de entradas únicas o conjuntos de datos limitados, este trabajo integra datos de múltiples estaciones de NM con índices heliosféricos motivados físicamente (incluyendo retrasos temporales) para reconstruir tanto los flujos de protones como los de helio.
Serie Temporal Extendida: Los autores extienden con éxito los espectros reconstruidos hacia periodos que carecen de datos diarios de naves espaciales: 2006–2011 (validado contra PAMELA) y 2019–2022 (validado contra los promedios de rotación de Bartels de AMS-02).

Resultados

Comparación de Desempeño: Los métodos basados en redes neuronales superaron significativamente al enfoque de YF+FFA.
- Métricas de Error: Las redes neuronales redujeron el Error Porcentual Absoluto Medio (MAPE) por un factor de ~4 en bajas energías y ~2 en altas energías en comparación con el método basado en la física.
- Bondad de Ajuste: El $\chi^2$ /dof para las redes neuronales típicamente osciló entre 0.1 y 2, mientras que el método FFA mostró mayores desviaciones, particularmente durante los mínimos y máximos solares.
- Histéresis: Un análisis de diagrama de dispersión reveló una histéresis pronunciada en las reconstrucciones basadas en FFA en relación con las redes neuronales, particularmente durante los periodos de polaridad heliosférica negativa (pre-2014). El método FFA sobreestimó sistemáticamente los flujos durante estos periodos, mientras que las redes neuronales mantuvieron la consistencia con las observaciones a través de los ciclos de polaridad.
Validación:
- 2011–2019: Las redes neuronales reprodujeron tanto la modulación del ciclo solar a largo plazo como las perturbaciones a corto plazo (por ejemplo, variaciones de 27 días) con alta fidelidad.
- 2006–2011 y 2019–2022: Los espectros reconstruidos concordaron bien con los datos de PAMELA y AMS-02, respectivamente. Las discrepancias observadas (por ejemplo, ~10% de desviación en protones de baja energía en 2009) se atribuyeron a las diferencias instrumentales conocidas entre PAMELA y AMS-02 y a los límites de extrapolación de los modelos durante el mínimo solar profundo de los ciclos 23/24.

Significancia y Reivindicaciones
El artículo afirma que la red global de monitores de neutrones, cuando se procesa a través de redes neuronales artificiales entrenadas, funciona eficazmente como un espectrómetro de GCR unificado y en tiempo real. El estudio demuestra que los modelos basados en datos pueden superar las limitaciones de los enfoques tradicionales de función de rendimiento, particularmente en lo que respecta a la dependencia de la energía de la modulación y las incertidumbres de calibración de los detectores.

Los autores concluyen que, si bien el enfoque de FFA guiado por la física recupera las tendencias a largo plazo, requiere refinamiento, especialmente en el rango de baja energía y durante los épocas de polaridad negativa. En contraste, el enfoque de red neuronal proporciona una reconstrucción robusta y de alta fidelidad de los espectros de GCR, capaz de llenar los vacíos en los datos de satélites y proporcionar información espectral continua tanto para protones como para helio. El trabajo establece un nuevo estándar para el uso de detectores terrestres en el monitoreo del clima espacial en tiempo real y el análisis espectral de GCR.

La lluvia invisible y la estación meteorológica cósmica

El artículo: Convirtiendo sensores terrestres en un telescopio cósmico

Más como este