IBM Research dan NASA telah meluncurkan Surya, sebuah AI sumber terbuka yang memprediksi ledakan matahari lebih cepat dan 16% lebih akurat menggunakan sembilan tahun citra SDO resolusi tinggi.
IBM Research, divisi riset dan pengembangan dari perusahaan teknologi IBM, mengumumkan bahwa mereka telah bermitra dengan NASA untuk membuka sumber Surya, sebuah model AI baru untuk fisika matahari yang dirancang untuk memprediksi letusan matahari yang intens yang dapat menimbulkan risiko bagi astronot, satelit, jaringan listrik, dan komunikasi di Bumi, dengan kecepatan yang belum pernah terjadi sebelumnya.
Selama 15 tahun terakhir, Observatorium Dinamis Matahari NASA (SDO) telah terus-menerus memantau Matahari untuk meningkatkan pemahaman tentang aktivitas matahari, namun banyak data yang telah dikumpulkannya tetap belum dieksplorasi. Ketika SDO diluncurkan, alat kecerdasan buatan masih berada di tahap awal, membatasi kemampuan untuk sepenuhnya menganalisis aliran gambar yang terus-menerus.
Surya, yang dijelaskan sebagai model dasar pertama untuk fisika matahari, mengatasi kesenjangan ini. Dengan memproses data mentah dari SDO, para peneliti dari IBM, NASA, dan delapan pusat penelitian tambahan telah mengembangkan model AI yang mampu meramalkan peristiwa matahari berbahaya yang dapat mempengaruhi sistem baik di luar angkasa maupun yang berbasis di Bumi.
Dinamai menurut kata Sansekerta untuk "Matahari," Surya sekarang tersedia untuk umum di Hugging Face, GitHub, dan melalui pustaka TerraTorch dari IBM untuk penyesuaian model AI geospasial. Bersama dengan Surya, tim telah merilis SuryaBench, sekumpulan dataset dan tolok ukur yang telah dikurasi yang dirancang untuk memfasilitasi pengembangan dan evaluasi aplikasi tidak hanya untuk prediksi cuaca luar angkasa tetapi juga untuk penelitian matahari yang lebih luas.
Meramalkan badai hebat di Bumi sudah menantang, dan memprediksi badai solar menambah kompleksitas tambahan. Ledakan solar terjadi melalui medan magnet Matahari, dan cahaya dari peristiwa ini memerlukan waktu sekitar delapan menit untuk mencapai Bumi. Keterlambatan ini menegaskan perlunya model prediktif yang dapat memberikan peringatan dini tentang aktivitas solar sebelum berdampak pada astronaut, satelit, dan infrastruktur di planet ini.
Surya AI Meningkatkan Peramalan Heliosfer Dengan Prediksi Sinar Matahari yang Ditingkatkan dan Pemetaan Magnetik
Inisiatif Surya IBM mencerminkan strategi yang lebih besar untuk mengadopsi metode generatif dan otomatis yang memungkinkan algoritma dikembangkan, diuji, dan disempurnakan dalam skala besar. Proyek ini menggambarkan perspektif IBM tentang AI sebagai bukan hanya alat tetapi juga sebagai kontributor dan penggerak eksplorasi ilmiah.
Observatorium Dinamika Matahari (SDO) mempertahankan orbit di samping Bumi untuk memberikan pandangan yang konsisten tentang Matahari, menangkap gambar setiap 12 detik di berbagai pita panjang gelombang. Gambar-gambar ini mengungkapkan variasi temperatur di berbagai lapisan Matahari, berkisar dari sekitar 5.500°C di permukaan hingga hampir 2 juta °C di korona, bagian terluar dari atmosfernya. Selain itu, SDO memetakan aktivitas magnetik Matahari, menangkap munculnya bintik matahari dalam cahaya putih, mengukur kecepatan gelembung plasma di permukaan, dan melacak memutar dan mengikat garis medan magnet.
Untuk melatih Surya, para peneliti menggunakan sembilan tahun data SDO, pertama-tama menyelaraskan berbagai jenis data dan kemudian bereksperimen dengan arsitektur AI untuk memproses informasi tersebut. Model akhir menggunakan transformator visi long-short dengan mekanisme penguncian spektral, yang memungkinkannya untuk menangani gambar resolusi tinggi SDO berukuran 4096 x 4096 piksel, yang mengandung hingga sepuluh kali lebih banyak detail dibandingkan data gambar tipikal. Penguncian spektral juga mengurangi penggunaan memori sekitar 5% dan membantu menyaring kebisingan dari dataset.
Dalam kontrast dengan pekerjaan sebelumnya dengan Prithvi, di mana model merekonstruksi gambar satelit Bumi yang sebagian terhalang, Surya dilatih untuk memprediksi apa yang akan diamati SDO satu jam ke depan berdasarkan gambar berurutan. Prediksi kemudian dibandingkan dengan pengamatan aktual untuk mengukur akurasi. Dengan mengharuskan model untuk menyimpulkan elemen penting seperti geometri matahari, struktur magnetik, dan rotasi diferensial, para peneliti bertujuan untuk mempersiapkan Surya untuk berbagai aplikasi ilmiah. Awalnya, tim mencoba untuk secara eksplisit mengkodekan rotasi lebih cepat Matahari di khatulistiwa dibandingkan dengan kutubnya, tetapi membiarkan model mempelajari perilaku ini dari data terbukti lebih efektif, menghasilkan kinerja yang lebih baik.
Surya menunjukkan kemampuan peramalan yang kuat, termasuk prediksi semburan matahari. Metode saat ini memungkinkan ilmuwan untuk memprediksi semburan satu jam sebelumnya, sementara Surya mencapai waktu lead dua jam menggunakan data visual. Uji coba awal juga menunjukkan peningkatan akurasi klasifikasi semburan matahari sebesar 16%, yang merupakan kemajuan signifikan dibandingkan teknik yang ada dan berpotensi menjadikan Surya model pertama yang mampu memberikan tingkat peringatan awal ini.
Surya Dan SuryaBench Mengaktifkan Peramalan Berbasis AI Aktivitas Matahari Dan Dampak Cuaca Ruang
Surya dan SuryaBench dirancang untuk membuat penelitian solar yang didorong oleh AI dapat diakses oleh ilmuwan tanpa keahlian mendalam dalam kecerdasan buatan. SuryaBench menyediakan dataset dan tolok ukur yang telah dikurasi untuk tugas-tugas prediksi cuaca ruang utama, termasuk meramalkan letusan solar, memprediksi kecepatan angin solar, dan menganalisis struktur magnetik korona Matahari. Alat-alat ini juga mengatasi pertanyaan yang telah lama ada, seperti mengapa angin solar meningkat selama fase tenang Matahari.
Dataset ini fokus pada daerah aktif Matahari, bintik-bintik gelap di permukaannya di mana energi magnetik terakumulasi dan letusan seperti semburan matahari dan ejeksi massa korona berasal. Peristiwa ini dapat berinteraksi dengan medan magnet Bumi, mengganggu satelit, komunikasi, dan sistem kelistrikan. Dengan melatih model AI pada data ini, Surya memungkinkan prediksi aktivitas matahari beberapa jam sebelumnya, meningkatkan kemampuan peringatan dini untuk bahaya cuaca luar angkasa.
SuryaBench mencakup aplikasi untuk mendeteksi radiasi ultraviolet ekstrem dan memantau akumulasi garis magnet di atmosfer Matahari, yang dapat mempercepat angin matahari hingga kecepatan yang berpotensi merusak. Dengan mengintegrasikan informasi ini, para ilmuwan dapat lebih baik memperkirakan dampak aktivitas matahari di Bumi, termasuk efek pada satelit, jaringan listrik, dan infrastruktur komunikasi.
Bersama-sama, Surya dan SuryaBench menyediakan kerangka kerja baru yang didorong oleh AI untuk memahami dan memprediksi fenomena solar, menawarkan prakiraan yang lebih cepat dan lebih akurat tentang peristiwa solar yang berpotensi berbahaya serta memberikan alat kepada peneliti untuk merespons secara proaktif terhadap ancaman cuaca luar angkasa.
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
IBM Dan NASA Sumber Terbuka Surya AI Untuk Mempercepat Prediksi Badai Matahari Berbahaya
Secara Singkat
IBM Research dan NASA telah meluncurkan Surya, sebuah AI sumber terbuka yang memprediksi ledakan matahari lebih cepat dan 16% lebih akurat menggunakan sembilan tahun citra SDO resolusi tinggi.
IBM Research, divisi riset dan pengembangan dari perusahaan teknologi IBM, mengumumkan bahwa mereka telah bermitra dengan NASA untuk membuka sumber Surya, sebuah model AI baru untuk fisika matahari yang dirancang untuk memprediksi letusan matahari yang intens yang dapat menimbulkan risiko bagi astronot, satelit, jaringan listrik, dan komunikasi di Bumi, dengan kecepatan yang belum pernah terjadi sebelumnya.
Selama 15 tahun terakhir, Observatorium Dinamis Matahari NASA (SDO) telah terus-menerus memantau Matahari untuk meningkatkan pemahaman tentang aktivitas matahari, namun banyak data yang telah dikumpulkannya tetap belum dieksplorasi. Ketika SDO diluncurkan, alat kecerdasan buatan masih berada di tahap awal, membatasi kemampuan untuk sepenuhnya menganalisis aliran gambar yang terus-menerus.
Surya, yang dijelaskan sebagai model dasar pertama untuk fisika matahari, mengatasi kesenjangan ini. Dengan memproses data mentah dari SDO, para peneliti dari IBM, NASA, dan delapan pusat penelitian tambahan telah mengembangkan model AI yang mampu meramalkan peristiwa matahari berbahaya yang dapat mempengaruhi sistem baik di luar angkasa maupun yang berbasis di Bumi.
Dinamai menurut kata Sansekerta untuk "Matahari," Surya sekarang tersedia untuk umum di Hugging Face, GitHub, dan melalui pustaka TerraTorch dari IBM untuk penyesuaian model AI geospasial. Bersama dengan Surya, tim telah merilis SuryaBench, sekumpulan dataset dan tolok ukur yang telah dikurasi yang dirancang untuk memfasilitasi pengembangan dan evaluasi aplikasi tidak hanya untuk prediksi cuaca luar angkasa tetapi juga untuk penelitian matahari yang lebih luas.
Meramalkan badai hebat di Bumi sudah menantang, dan memprediksi badai solar menambah kompleksitas tambahan. Ledakan solar terjadi melalui medan magnet Matahari, dan cahaya dari peristiwa ini memerlukan waktu sekitar delapan menit untuk mencapai Bumi. Keterlambatan ini menegaskan perlunya model prediktif yang dapat memberikan peringatan dini tentang aktivitas solar sebelum berdampak pada astronaut, satelit, dan infrastruktur di planet ini.
Surya AI Meningkatkan Peramalan Heliosfer Dengan Prediksi Sinar Matahari yang Ditingkatkan dan Pemetaan Magnetik
Inisiatif Surya IBM mencerminkan strategi yang lebih besar untuk mengadopsi metode generatif dan otomatis yang memungkinkan algoritma dikembangkan, diuji, dan disempurnakan dalam skala besar. Proyek ini menggambarkan perspektif IBM tentang AI sebagai bukan hanya alat tetapi juga sebagai kontributor dan penggerak eksplorasi ilmiah.
Observatorium Dinamika Matahari (SDO) mempertahankan orbit di samping Bumi untuk memberikan pandangan yang konsisten tentang Matahari, menangkap gambar setiap 12 detik di berbagai pita panjang gelombang. Gambar-gambar ini mengungkapkan variasi temperatur di berbagai lapisan Matahari, berkisar dari sekitar 5.500°C di permukaan hingga hampir 2 juta °C di korona, bagian terluar dari atmosfernya. Selain itu, SDO memetakan aktivitas magnetik Matahari, menangkap munculnya bintik matahari dalam cahaya putih, mengukur kecepatan gelembung plasma di permukaan, dan melacak memutar dan mengikat garis medan magnet.
Untuk melatih Surya, para peneliti menggunakan sembilan tahun data SDO, pertama-tama menyelaraskan berbagai jenis data dan kemudian bereksperimen dengan arsitektur AI untuk memproses informasi tersebut. Model akhir menggunakan transformator visi long-short dengan mekanisme penguncian spektral, yang memungkinkannya untuk menangani gambar resolusi tinggi SDO berukuran 4096 x 4096 piksel, yang mengandung hingga sepuluh kali lebih banyak detail dibandingkan data gambar tipikal. Penguncian spektral juga mengurangi penggunaan memori sekitar 5% dan membantu menyaring kebisingan dari dataset.
Dalam kontrast dengan pekerjaan sebelumnya dengan Prithvi, di mana model merekonstruksi gambar satelit Bumi yang sebagian terhalang, Surya dilatih untuk memprediksi apa yang akan diamati SDO satu jam ke depan berdasarkan gambar berurutan. Prediksi kemudian dibandingkan dengan pengamatan aktual untuk mengukur akurasi. Dengan mengharuskan model untuk menyimpulkan elemen penting seperti geometri matahari, struktur magnetik, dan rotasi diferensial, para peneliti bertujuan untuk mempersiapkan Surya untuk berbagai aplikasi ilmiah. Awalnya, tim mencoba untuk secara eksplisit mengkodekan rotasi lebih cepat Matahari di khatulistiwa dibandingkan dengan kutubnya, tetapi membiarkan model mempelajari perilaku ini dari data terbukti lebih efektif, menghasilkan kinerja yang lebih baik.
Surya menunjukkan kemampuan peramalan yang kuat, termasuk prediksi semburan matahari. Metode saat ini memungkinkan ilmuwan untuk memprediksi semburan satu jam sebelumnya, sementara Surya mencapai waktu lead dua jam menggunakan data visual. Uji coba awal juga menunjukkan peningkatan akurasi klasifikasi semburan matahari sebesar 16%, yang merupakan kemajuan signifikan dibandingkan teknik yang ada dan berpotensi menjadikan Surya model pertama yang mampu memberikan tingkat peringatan awal ini.
Surya Dan SuryaBench Mengaktifkan Peramalan Berbasis AI Aktivitas Matahari Dan Dampak Cuaca Ruang
Surya dan SuryaBench dirancang untuk membuat penelitian solar yang didorong oleh AI dapat diakses oleh ilmuwan tanpa keahlian mendalam dalam kecerdasan buatan. SuryaBench menyediakan dataset dan tolok ukur yang telah dikurasi untuk tugas-tugas prediksi cuaca ruang utama, termasuk meramalkan letusan solar, memprediksi kecepatan angin solar, dan menganalisis struktur magnetik korona Matahari. Alat-alat ini juga mengatasi pertanyaan yang telah lama ada, seperti mengapa angin solar meningkat selama fase tenang Matahari.
Dataset ini fokus pada daerah aktif Matahari, bintik-bintik gelap di permukaannya di mana energi magnetik terakumulasi dan letusan seperti semburan matahari dan ejeksi massa korona berasal. Peristiwa ini dapat berinteraksi dengan medan magnet Bumi, mengganggu satelit, komunikasi, dan sistem kelistrikan. Dengan melatih model AI pada data ini, Surya memungkinkan prediksi aktivitas matahari beberapa jam sebelumnya, meningkatkan kemampuan peringatan dini untuk bahaya cuaca luar angkasa.
SuryaBench mencakup aplikasi untuk mendeteksi radiasi ultraviolet ekstrem dan memantau akumulasi garis magnet di atmosfer Matahari, yang dapat mempercepat angin matahari hingga kecepatan yang berpotensi merusak. Dengan mengintegrasikan informasi ini, para ilmuwan dapat lebih baik memperkirakan dampak aktivitas matahari di Bumi, termasuk efek pada satelit, jaringan listrik, dan infrastruktur komunikasi.
Bersama-sama, Surya dan SuryaBench menyediakan kerangka kerja baru yang didorong oleh AI untuk memahami dan memprediksi fenomena solar, menawarkan prakiraan yang lebih cepat dan lebih akurat tentang peristiwa solar yang berpotensi berbahaya serta memberikan alat kepada peneliti untuk merespons secara proaktif terhadap ancaman cuaca luar angkasa.