太阳表面出现黑子前，AI模型EarlyDetect已从声波和磁场中捕捉先兆，平均提前9.24小时预警活动区出现。
在太阳表面出现黑子之前很久，一个可能孕育强烈喷发的新活动区就已经开始露出形成的蛛丝马迹。如今，一种新的人工智能模型能够捕捉这些早期信号，平均提前将近9小时预报太阳活动区的出现。
这项研究发表在学术期刊《Journal of Geophysical Research: Machine Learning and Computation》上。新泽西理工学院(NJIT)领导的研究团队开发的人工智能模型EarlyDetect，可以从太阳的声学活动和磁场中识别活动区出现的先兆信号，而此前科学家一直难以捕捉这类信号。
新泽西理工学院本科生研究员Jonas Tirona是论文通讯作者。他与学院计算机科学家和太阳物理学家，以及普林斯顿大学、美国国家航空航天局艾姆斯研究中心的合作者一起，利用美国国家航空航天局太阳动力学观测站(SDO)的观测数据开发了这一方法。Tirona说，这项工作的价值在于证明可以用机器学习提前预测太阳活动区的出现，这种早期预警能让卫星通信公司或电网公司提前准备，减轻太阳风暴可能造成的损害。
活动区是磁场高度集中的区域，黑子在这里形成。其出现过程持续数小时，完全发育则需1到几天。磁场向太阳表面上升时，会在声波中留下微弱痕迹，科学家可通过日震学，也就是对太阳振动的观测，探测到这些痕迹。EarlyDetect分析的正是SDO传回的每小时声功率图和磁场数据，这些声学图来自SDO搭载的日震与磁成像仪(HMI)每45秒记录一次的声波观测。
新泽西理工学院杰出物理学教授、项目共同首席研究员Alexander Kosovichev说，主要困难在于活动区在太阳可见表面之下发育，无法直接观测其磁场结构，只能寻找磁场和持续穿过太阳的声波模式中极其微小的变化，“这就像在嘈杂的管弦乐队中听出节奏的细微变化”。
EarlyDetect采用Transformer架构，与ChatGPT等大语言模型背后的技术同源，只是它学习的是太阳观测数据而非文本。去年加入项目后，Tirona和团队发现，原本用来帮助模型识别重要模式的过滤技术反而让预测变差。Kosovichev说，这一结果最令人意外，过滤本想分离出有用的短时间尺度模式，却把提供最早预警的微弱波动平均掉了。Tirona形容这类似降噪处理，本以为能滤掉噪声看清整体趋势，结果在几乎所有情况下都有害，被过滤掉的信号恰恰对预测活动区何时出现至关重要。
在SDO/HMI观测数据上完成训练后，研究人员用模型从未见过的活动区进行测试。表现最好的版本平均在活动区可见之前9.24小时识别出先兆信号，优于标准Transformer模型和此前的基准方法。项目首席研究员、新泽西理工学院数据科学助理教授Mengjia Xu说，机器学习尚未被广泛用于太阳活动预报，先进的机器学习模型能为未来的空间天气预报开辟新的可能。
团队还发布了太阳活动区出现数据集(SolARED)和用于探索数据的交互式平台太阳活动区(SAR)门户。Xu说，这是第一个公开的太阳活动区出现数据集，为机器学习和太阳物理两个领域提供了共享资源，可用于开发和测试新的预测方法。
Tirona提醒，EarlyDetect前景光明，但还不能用于实时预报。它在已知的出现事件上训练，仍会偶尔误报或预测滞后；活动区出现不等于耀斑或日冕物质抛射即将发生，许多活动区永远不会产生强烈喷发，这一方法还需要在更多太阳事件上验证。他希望这个项目能让更多人认识到机器学习对太阳物理学的价值，期待有朝一日这样的模型能真正帮助预报太阳天气事件。
原文：https://phys.org/news/2026-08-ai-hidden-solar-eruptions-hours.html