Como a IA Surya da NASA antecipa mudanças no Sol antes de tempestades

Um novo sistema de inteligência artificial aprendeu a antecipar grandes mudanças no Sol ao identificar padrões na superfície e na atmosfera antes que eles se transformem em tempestades completas.

Esse avanço muda a lógica dos alertas antecipados num mundo cada vez mais dependente de satélites, navegação e redes eléctricas estáveis.

Lendo sinais de problemas no Sol

Em vez de esperar por alarmes só depois que a actividade solar já acelera, a base dessa abordagem vem de séries longas de observações que revelam alterações discretas crescendo até provocar perturbações ao longo de todo o disco visível do Sol.

Esses indícios foram registados por Sujit Roy e colegas do NASA’s Marshall Space Flight Center, que mostraram que os padrões surgem de forma consistente antes do desenvolvimento de erupções solares maiores.

Ao longo de anos de registos, as mesmas assinaturas iniciais voltam a aparecer à medida que a tensão magnética se acumula e a energia se reorganiza abaixo da superfície solar.

No conjunto, o resultado define uma janela de previsibilidade que agora precisa ser confrontada com eventos solares mais raros e extremos - justamente onde os limites da antecipação são mais decisivos.

Os dados por trás do Surya

O treino começou com o fluxo contínuo de imagens do Sol reunidas desde 2010 pelo NASA’s Solar Dynamics Observatory (SDO).

A sonda capta imagens de disco completo em vários comprimentos de onda e também monitora os campos magnéticos na superfície.

Os investigadores alimentaram o Surya com 13 camadas diferentes de imagens por vez, permitindo que o sistema associasse gás brilhante e quente na atmosfera solar a campos magnéticos sob stress.

Essa ligação é importante porque a labareda mais intensa muitas vezes nasce onde as linhas magnéticas ficam comprimidas e, em seguida, se reconectam rapidamente.

Riscos das tempestades solares

Erupções solares impulsionam o clima espacial - as tempestades na região próxima à Terra que podem afectar satélites e redes eléctricas.

Partículas carregadas podem sobrecarregar componentes electrónicos e aquecer a alta atmosfera.

Correntes eléctricas induzidas por tempestades também percorrem linhas de transmissão longas, e o calor adicional pode danificar transformadores.

Como eventos severos são incomuns, um sistema de previsão precisa manter a confiabilidade durante períodos calmos, sem disparar alertas falsos.

Um modelo criado para ser reutilizado

Para que a IA fosse útil além de uma tarefa específica, a equipa estruturou o Surya como um modelo de base: um grande modelo inicial que pode ser adaptado a diferentes funções.

Em vez de aprender a partir de rótulos, o sistema foi treinado a prever imagens futuras, o que o obriga a codificar como os padrões solares evoluem.

Esse treino abrangente resultou num modelo muito grande, com 366 milhões de parâmetros ajustáveis, capaz de reconhecer muitos tipos de mudança no Sol.

Ao mesmo tempo, a alta capacidade eleva a exigência de testes cuidadosos, porque um modelo pode parecer competente e ainda assim falhar em modos raros.

Aprender prevendo o que vem a seguir

Na fase inicial, o Surya foi treinado com um recorte de nove anos de observações do SDO, usando pares de imagens feitas com uma hora de intervalo.

A rede previa como o Sol estaria uma hora depois e, em seguida, propagava as próprias estimativas, estendendo as previsões por várias horas.

Uma reportagem da NASA descreveu o esforço de engenharia necessário para acomodar imagens tão grandes na memória dos computadores sem perder detalhe.

“A natureza dinâmica do Sol e a resolução extrema do SDO exigiram um desenho cuidadoso sob fortes limitações de memória”, disse Roy, co-líder do projecto.

Colocando a previsão solar à prova

Quando os investigadores avaliaram o modelo com dados que ele não tinha visto, ele continuou a prever o acúmulo que antecede grandes labaredas usando a mesma rotina de previsão de imagens.

Isso funcionou sem novos rótulos, porque a rede já havia aprendido como brilho e padrões magnéticos se transformam em conjunto.

Num estudo de caso, o Surya acompanhou um salto rápido na emissão ultravioleta durante uma labareda solar de intensidade média em 13 de janeiro de 2015.

Previsões visuais ajudam cientistas a fazer uma verificação de plausibilidade de um alerta, mas também podem gerar excesso de confiança quando as imagens parecem muito próximas da realidade.

Ajuste fino para tarefas específicas

Em trabalhos posteriores, o modelo central foi ajustado para identificar regiões activas - zonas de erupção magneticamente intensas no Sol - e para estimar o vento solar.

Esse ajuste actualizou apenas uma pequena parcela dos pesos, permitindo adaptação sem apagar a maior parte da estrutura solar já aprendida.

Depois dessa etapa, o Surya superou classificadores de imagem comuns na previsão de labaredas e diminuiu o erro em previsões do vento solar para quatro dias.

Como cada aplicação tem riscos próprios, mesmo um modelo ajustado precisa de acompanhamento para evitar tanto alarmes falsos quanto eventos perdidos.

Onde as previsões ficam difusas

Alguns aspectos do Sol continuaram difíceis para um modelo determinístico - aquele que produz um único melhor palpite - sobretudo fronteiras magnéticas muito nítidas e as bordas das labaredas.

Quando a rede procura reduzir o erro médio, ela tende a suavizar detalhes finos, o que pode esconder estruturas pequenas, porém relevantes.

Os investigadores observaram que essa desfocagem apareceu em alguns mapas magnéticos, mesmo quando o formato geral da região activa permanecia correcto.

Versões futuras podem incorporar aleatoriedade para representar incerteza, já que o Sol pode evoluir de mais de uma forma plausível.

Ferramentas abertas, salvaguardas reais

A NASA disponibilizou o modelo e o código para que outros grupos possam testá-lo, encontrar falhas e melhorá-lo.

O acesso aberto acelera o avanço científico, mas também exige que os utilizadores rastreiem quais dados entraram e o que foi alterado.

O controlo claro de versões é essencial porque uma pequena mudança no pré-processamento pode modificar previsões, confundindo comparações entre laboratórios e ao longo dos anos.

Equipas que coloquem ferramentas assim em operação ainda precisarão de revisão humana, sobretudo quando alertas influenciam equipamentos caros e questões de segurança.

Como mudam os alertas solares

O Surya indica como um sistema bem treinado consegue relacionar imagens solares a consequências posteriores em diferentes tarefas de previsão.

O próximo salto dependerá de estimativas de incerteza mais precisas e de fontes de dados mais amplas, para que os avisos se mantenham confiáveis à medida que o Sol muda.