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

Dit artikel introduceert een nieuwe catalogus van zonnevlammen, gegenereerd met een convolutioneel neuronaal netwerk op basis van GOES-soft X-ray data, die aanzienlijk gevoeliger is voor kleine gebeurtenissen dan de traditionele GOES-catalogus en zo een completer beeld biedt voor statistische analyses.

De kern

Zonnevuren en de Digitale Brandwacht: Een Nieuwe Manier om de Zon te Lezen

Stel je de zon voor als een enorme, woelige oceaan. Soms, op de bodem van deze oceaan, ontstaat er een plotselinge storm: een zonnevlam. Deze stormen spuwen enorme hoeveelheden energie uit, zoals een gigantische vuurspuwer. Voor wetenschappers is het belangrijk om precies te weten wanneer deze stormen beginnen, hoe groot ze zijn en hoe vaak ze voorkomen.

Maar tot nu toe hadden we een probleem: onze "brandwacht" (de oude software die deze stormen detecteerde) was een beetje verouderd. Het was alsof je probeerde kleine vonkjes te zien in een felle, flitsende cameraflits. De kleine vonkjes werden over het hoofd gezien, en als twee stormen tegelijk kwamen, zag de software er maar één van.

In dit nieuwe onderzoek hebben de auteurs een kunstmatige intelligentie (een CNN) getraind om deze taak veel beter te doen. Hier is hoe het werkt, vertaald naar begrijpelijke taal:

1. De Oude Manier vs. De Nieuwe Super-Scanner

De oude methode (de GOES-catalogus) was als een ouderwetse bewakingscamera die alleen reageerde op heel grote bewegingen. Als er een klein vuurtje ontstond, of als twee vuurtjes elkaar overlapten, registreerde de camera niets.

De nieuwe CNN (Convolutional Neural Network) is als een super-scherpe, slimme bewaker die 100% van de tijd kijkt.

• Hij ziet alles: Hij kan niet alleen de grote explosies zien, maar ook de heel kleine, flitsende vonkjes die de oude camera over het hoofd zag.
• Hij snapt de chaos: Als twee stormen tegelijk komen, kan de nieuwe AI ze uit elkaar houden. De oude methode dacht vaak dat het één grote, lange storm was.

Het resultaat? De nieuwe catalogus bevat meer dan zeven keer zoveel zonnevlammen dan de oude lijst. Het is alsof je van een lijst met 14.000 namen naar een lijst met 111.000 namen gaat.

2. Hoe leerde de computer dit?

Stel je voor dat je een kind wilt leren wat een "zonnevlam" is. Je zou niet zeggen: "Kijk naar de hele storm, van begin tot einde." Dat is te moeilijk, want het einde van een storm is vaak vaag en wazig.

In plaats daarvan leerden de onderzoekers de computer om alleen naar het begin te kijken: het moment waarop de storm opkomt.

• Het is als het herkennen van een auto die net de garage uitrijdt. Dat is een duidelijk moment. Het is veel moeilijker om te zeggen wanneer die auto precies weer de garage inrijdt, omdat hij misschien langzaam stopt of ergens anders heen rijdt.
• Door zich te focussen op het begin van de storm, kon de computer duizenden nieuwe stormen vinden die de oude software had gemist.

3. De "Wachttijd"-Mysterie

Wetenschappers hebben jarenlang gediscussieerd over een raadsel: Heeft de zon een geheugen?

• Theorie A: Als er een grote storm is, moet de zon eerst "opladen" voordat er weer een kan komen. Dus: grote storm = lange wachttijd daarna.
• Theorie B: De zon is als een dobbelsteen. Elke storm is een toevalstreffer. Grote of kleine stormen hebben geen invloed op wanneer de volgende komt.

Met de oude data leek het alsof er een verband was (Theorie A). Maar de onderzoekers ontdekten dat dit een optische illusie was. Omdat de oude software de kleine stormen tijdens drukke periodes niet zag, leek het alsof er na een grote storm een lange stilte was. In werkelijkheid waren er gewoon heel veel kleine stormen die de oude camera niet zag.

Met de nieuwe AI-lijst zagen ze dat de zon eigenlijk geen geheugen heeft. Stormen komen willekeurig, net als regenbuien. Als je alle kleine druppels meet, zie je dat er geen patroon is tussen de grootte van een storm en de tijd tot de volgende.

4. Waarom is dit belangrijk?

Dit nieuwe "catalogus" is als het krijgen van een nieuwe bril voor de zon.

• Volledigheid: We zien nu de hele foto, niet alleen de grote stukken.
• Betrouwbaarheid: We weten nu dat de statistieken over hoe vaak stormen komen, niet vertekend zijn door onze oude, slome apparatuur.
• Toekomst: Dit helpt ons beter te begrijpen hoe de zon werkt en misschien zelfs om beter te voorspellen wanneer er gevaarlijke stormen komen die onze satellieten en stroomnetten op aarde kunnen verstoren.

Kortom: De onderzoekers hebben een slimme computer getraind om de zon te "luisteren" in plaats van alleen te "kijken". Hierdoor hebben we ontdekt dat de zon veel drukker is dan we dachten, en dat haar stormen eigenlijk gewoon willekeurige vonkjes zijn in een enorme, chaotische energiebron.

Technische samenvatting

Titel: Een op Convolutional Neural Networks gebaseerde catalogus van zonnevlammen uit waarnemingen in zacht röntgenlicht

Auteurs: Nastaran Farhang, Michael S. Wheatland, en Andrew Melatos.
Publicatiedatum: 13 april 2026 (conceptversie).

---

1. Het Probleem

Zonnevlammen zijn plotselinge energie-uitbarstingen in de atmosfeer van de zon. Het begrijpen van hun statistische eigenschappen, zoals de verdeling van grootte (piekflux) en wachttijden tussen gebeurtenissen, is cruciaal voor het modelleren van energieopslag en -vrijgave in actieve gebieden (AR's).

De huidige standaard voor het catalogiseren van zonnevlammen is de NOAA GOES-catalogus, gebaseerd op één-minuut gemiddelde data in het 1–8 Å kanaal. Deze methode heeft echter ernstige beperkingen:

• Obscuratie (Verduistering): Tijdens periodes van hoge zonneactiviteit wordt de detectie van zwakkere vlammen onderdrukt door een verhoogde achtergrondflux. Ook overlappende vlammen worden vaak niet als aparte gebeurtenissen gedetecteerd.
• Systematische Bias: De detectiealgoritmen (FDA's) gebruiken willekeurige drempels en aannames (zoals de "slow-driving" aanname: één vlam moet eindigen voordat de volgende begint). Dit leidt tot een onderschatting van het aantal gebeurtenissen, vooral bij kleine vlammen.
• Onzekerheid in Statistiek: Door deze onvolledigheid zijn eerdere studies over de correlatie tussen vlamgrootte en wachttijd inconsistent. Sommige studies suggereren een correlatie (stress-relaxatie), terwijl andere geen correlatie vinden (zelf-georganiseerde kritikaliteit).

2. Methodologie

De auteurs introduceren een nieuwe aanpak om deze problemen op te lossen door gebruik te maken van Convolutional Neural Networks (CNN's) op hoog-resolutie GOES-data (1-seconde cadans), in plaats van de gebruikelijke 1-minuut gemiddelden.

• Data: Gebruik gemaakt van wetenschappelijk kwaliteitsdata van de GOES-R serie satellieten (GOES-16, 17, 18, 19) van 1 januari 2018 tot 22 augustus 2025.
• Referentie Catalogus: Voor het trainen van het model is een nieuwe, intern consistente referentiecatalogus samengesteld. In plaats van een bestaande catalogus te gebruiken (wat bias zou introduceren), hebben twee analisten handmatig opstijgingsfasen (rise episodes) van vlammen geïdentificeerd in 145 willekeurig geselecteerde dagen. De focus ligt op de opstijging omdat deze fase het meest distinct is en minder last heeft van de onduidelijkheid van het einde van een vlam.
• CNN Architectuur:
  • Het model is ontworpen om opstijgingsfasen te detecteren, niet noodzakelijk het volledige start-einde profiel. Dit maakt het mogelijk om overlappende vlammen te detecteren (een vlam kan beginnen tijdens het verval van een vorige).
  • De architectuur combineert convolutielagen (met verschillende kernelgroottes voor lokale patronen), een BiLSTM-laag (voor tijdsafhankelijkheid) en een Transformer-encoder (voor lange-termijn context).
  • De input bestaat uit overlappende vensters van 600 samples (10 minuten), genormaliseerd via z-score.
• Bayesiaanse Confidentie: Omdat het model veel nieuwe kandidaten detecteert, is een Bayesiaans raamwerk ontwikkeld om de waarschijnlijkheid te berekenen dat een detectie een "True Positive" (TP) is. Dit gebruikt drie kenmerken:
  1. Amplitude (achtergrond-correcte piekflux).
  2. Opstijgingstijd.
  3. Een binaire flag voor tijdelijke coincidentie met bestaande catalogi (GOES, HEK, SolO).

3. Belangrijkste Bijdragen

• Eerste CNN-catalogus voor SXR: Dit is naar kennis van de auteurs de eerste studie die een CNN toepast om een volledige vlam-catalogus op te bouwen uit ruwe SXR-tijdreeksen.
• Oplossing voor Obscuratie: Door te focussen op opstijgingsfasen en gebruik te maken van 1-seconde data, kan het model overlappende en zwakkere vlammen detecteren die door traditionele methoden worden gemist.
• Bayesiaanse Validatie: Een robuuste methode om de betrouwbaarheid van elke individuele detectie te kwantificeren, zelfs voor gebeurtenissen die niet in bestaande catalogi voorkomen.

4. Resultaten

• Aantal Gebeurtenissen: De CNN detecteerde 111.580 kandidaat-gebeurtenissen in de periode 2018-2025, vergeleken met slechts 14.612 in de officiële GOES-catalogus. Zelfs bij een hoge betrouwbaarheid (P > 0.9) bevat de catalogus 62.896 gebeurtenissen (meer dan 4x de GOES-aantal).
• Grootteverdeling (Power Laws):
  • De verdeling van de ruwe piekfluxen volgt een machtsverdeling. De CNN-catalogus heeft een steilere index (-2.59) dan GOES (-2.25), wat wijst op een hogere gevoeligheid voor kleine gebeurtenissen.
  • Na achtergrondcorrectie zijn de indices vergelijkbaar (-1.97 voor CNN vs -2.05 voor GOES), maar de CNN-catalogus breidt het bereik van de machtsverdeling uit met één orde van grootte naar de kant van de kleinste fluxen (tot $10^{-7}$ Wm$^{-2}$).
• Wachttijdverdeling:
  • De wachttijden van zowel GOES als CNN volgen in grote lijnen een stuksgewijze Poisson-proces (piecewise Poisson process), wat suggereert dat vlammen grotendeels memoryless zijn.
  • De gemiddelde detectiegraad van de CNN is aanzienlijk hoger (1.35 vlammen/uur) dan die van GOES (0.21 vlammen/uur).
• Correlatie tussen Grootte en Wachttijd:
  • Eerdere studies toonden vaak een asymmetrie aan: grote vlammen zouden worden gevolgd door langere wachttijden.
  • De CNN-analyse toont aan dat deze asymmetrie een artefact van onvolledigheid is. Wanneer de CNN de gemiste zwakke en overlappende vlammen telt, verdwijnt de asymmetrie. Dit suggereert dat de schijnbare correlatie tussen grootte en wachttijd in eerdere studies veroorzaakt werd door "obscuratie" (het niet zien van kleine vlammen na grote gebeurtenissen).

5. Betekenis en Conclusie

Deze studie levert een fundamentele bijdrage aan de zonnefysica door een complete en consistente catalogus van zonnevlammen te bieden. De belangrijkste conclusies zijn:

1. Volledigheid: Traditionele methoden onderschatten het aantal zonnevlammen aanzienlijk, vooral tijdens periodes van hoge activiteit. De CNN-methode herstelt deze "ontbrekende" gebeurtenissen.
2. Fysieke Interpretatie: De bevinding dat de asymmetrie in wachttijden verdwijnt wanneer de catalogus compleet is, ondersteunt het idee dat zonnevlammen een memoryless, spontaan proces zijn (in lijn met modellen van zelf-georganiseerde kritikaliteit), in plaats van een proces waarbij grote vlammen de systeemstabiliteit tijdelijk sterk beïnvloeden.
3. Toekomst: De nieuwe catalogus vormt de basis voor verdere studies, zoals het koppelen van vlammen aan specifieke actieve gebieden en het beter begrijpen van de trigger-mechanismen van zonnevlammen.

De auteurs benadrukken dat hun nieuwe "Flare Detection Algorithm" (FDA) een nieuwe weg opent voor nauwkeurige statistische analyses van zonneactiviteit, vrij van de systematische biases van eerdere methoden.