सार:
संयुक्त राज्य अमेरिका में न्यू जर्सी इंस्टीट्यूट ऑफ टेक्नोलॉजी के नेतृत्व में एक शोध दल ने एक कृत्रिम बुद्धिमत्ता प्रणाली विकसित की है जो दृश्य सतह पर सौर सक्रिय क्षेत्रों के वास्तव में प्रकट होने से पहले ही बेहद कमजोर चेतावनी संकेतों की पहचान कर सकती है। शोध से पता चलता है कि सिस्टम औसतन लगभग नौ घंटे पहले नए सक्रिय क्षेत्रों के गठन के संकेतों का पता लगा सकता है, जिससे भविष्य में सौर तूफानों की भविष्यवाणी के लिए नई संभावनाएं मिलती हैं।
इससे पहले कि सूर्य के धब्बे सूर्य की दृश्य सतह को काला कर दें, उन्हें बनाने वाली चुंबकीय गतिविधि वास्तव में सूर्य के अंदर चुपचाप विकसित हो रही है। ये शुरुआती बदलाव इतने कमज़ोर हैं कि वैज्ञानिकों के लिए इन्हें लंबे समय तक पहचानना मुश्किल रहा है। अब, "अर्लीडिटेक्ट" नामक एक कृत्रिम बुद्धिमत्ता मॉडल सूर्य की ध्वनिक गतिविधि और चुंबकीय क्षेत्र में परिवर्तन में प्रासंगिक सुराग ढूंढने में सक्षम है, जो नए सौर सक्रिय क्षेत्रों के अग्रदूतों को दिखाई देने से औसतन 9.24 घंटे पहले पता लगाता है।
यह अध्ययन न्यू जर्सी इंस्टीट्यूट ऑफ टेक्नोलॉजी अनुसंधान टीम द्वारा पूरा किया गया था, और परिणाम 14 अगस्त को "जर्नल ऑफ जियोफिजिकल रिसर्च: मशीन लर्निंग एंड कंप्यूटिंग" में प्रकाशित किए गए थे। मॉडल को न्यू जर्सी इंस्टीट्यूट ऑफ टेक्नोलॉजी के स्नातक शोधकर्ता जोनास टिरोना ने स्कूल के कंप्यूटर वैज्ञानिकों और सौर भौतिकविदों के साथ-साथ प्रिंसटन विश्वविद्यालय और नासा के एम्स रिसर्च सेंटर के शोधकर्ताओं के सहयोग से विकसित किया था। अध्ययन में नासा के सोलर डायनेमिक्स ऑब्ज़र्वेटरी के डेटा का उपयोग किया गया।
तिरोना ने कहा कि इस काम का सबसे बड़ा मूल्य यह साबित होता है कि मशीन लर्निंग पहले से भविष्यवाणी कर सकती है कि सौर सक्रिय क्षेत्र कब दिखाई देंगे। यदि विश्वसनीय प्रारंभिक चेतावनी प्रणालियों को और अधिक विकसित किया जा सकता है, तो उपग्रह संचार कंपनियां और पावर ग्रिड ऑपरेटर सौर तूफानों से होने वाले संभावित नुकसान को कम करने के लिए पहले से ही उपाय करने में सक्षम हो सकते हैं।
सौर सक्रिय क्षेत्र बेहद मजबूत चुंबकीय गतिविधि वाला क्षेत्र है, जहां आमतौर पर सनस्पॉट बनते हैं। किसी सक्रिय क्षेत्र को प्रकट होने और सूर्य की सतह तक पहुंचने में अक्सर कई घंटे लगते हैं, और इसे पूरी तरह से बनने में एक से कई दिन लग सकते हैं।
इन क्षेत्रों के सूर्य की सतह तक पहुंचने से पहले, बढ़ते चुंबकीय क्षेत्र का सूर्य के आंतरिक भाग से गुजरने वाली ध्वनि तरंगों पर सूक्ष्म प्रभाव पड़ता है। वैज्ञानिक "हेलिओसिज़्मोलॉजी" के माध्यम से इन कंपनों का अध्ययन कर सकते हैं, जो आंतरिक प्रक्रियाओं का विश्लेषण करने के लिए सूर्य के अंदर फैलने वाली तरंगों का उपयोग करते हैं जिन्हें सीधे नहीं देखा जा सकता है।
अर्लीडिटेक्ट हर घंटे उत्पन्न ध्वनिक बिजली मानचित्रों का विश्लेषण करके और उन्हें सौर चुंबकीय क्षेत्र माप डेटा के साथ जोड़कर सक्रिय क्षेत्रों के गठन से पहले असामान्य पैटर्न की तलाश करता है। ध्वनिक डेटा सोलर डायनेमिक्स वेधशाला में हेलियोसेस्मिक और मैग्नेटिक इमेजर से आता है। उपकरण हर 45 सेकंड में ध्वनिक माप रिकॉर्ड करता है, जिससे शोधकर्ताओं को सूर्य के अंदर ध्वनिक गतिविधि की तस्वीर बनाने की अनुमति मिलती है।
न्यू जर्सी इंस्टीट्यूट ऑफ टेक्नोलॉजी में भौतिकी के प्रतिष्ठित प्रोफेसर और परियोजना के सह-नेता अलेक्जेंडर कोसोविचेव ने बताया कि अनुसंधान में मुख्य कठिनाई यह है कि सौर सक्रिय क्षेत्र शुरू में दृश्य सतह के नीचे बनता है, और वैज्ञानिक सीधे इसकी चुंबकीय संरचना का निरीक्षण नहीं कर सकते हैं। परिणामस्वरूप, शोधकर्ता केवल सूर्य के चुंबकीय क्षेत्र और ध्वनि तरंग प्रसार पैटर्न में बहुत छोटे बदलावों को ही देख सकते हैं। यह प्रक्रिया शोरगुल वाले ऑर्केस्ट्रा में लय में सूक्ष्म परिवर्तन की तरह है।
अर्लीडिटेक्ट ट्रांसफार्मर आर्किटेक्चर का उपयोग करता है। इस प्रकार की कृत्रिम बुद्धिमत्ता तकनीक का उपयोग चैटजीपीटी जैसे बड़े भाषा मॉडल में भी व्यापक रूप से किया जाता है। हालाँकि, अर्लीडिटेक्ट भाषा का विश्लेषण नहीं करता है, लेकिन सौर अवलोकन डेटा में सांख्यिकीय पैटर्न की तलाश करता है जो सौर गतिविधि में बदलाव का संकेत दे सकता है।
अनुसंधान प्रक्रिया के दौरान, टीम ने यह भी पाया कि मूल रूप से शोर को दूर करने और मॉडल को महत्वपूर्ण सौर संकेतों की पहचान करने में मदद करने के लिए उपयोग की जाने वाली फ़िल्टरिंग विधि वास्तव में भविष्यवाणी प्रभाव को कम कर देती है।
जब टिरोना इस परियोजना में शामिल हुई, तो शोधकर्ता कम समय के पैमाने पर महत्वपूर्ण सौर पैटर्न को उजागर करने की उम्मीद में एक फ़िल्टरिंग तकनीक का उपयोग कर रहे थे। लेकिन परीक्षण के नतीजे बताते हैं कि अवलोकन संबंधी डेटा को फ़िल्टर करने से मॉडल की भविष्यवाणी की गुणवत्ता खराब हो जाती है। कोसोविचेव ने कहा कि अनुसंधान टीम ने शुरू में सोचा था कि फ़िल्टरिंग उपयोगी संकेतों को अलग कर सकती है, लेकिन पाया गया कि यह सबसे कमजोर लेकिन शुरुआती उतार-चढ़ाव का औसत निकालता है।
तिरोना ने इस प्रक्रिया की तुलना शोर कम करने वाली तकनीक से की। आमतौर पर, शोर में कमी से तेज़ शोर को दूर किया जा सकता है और समग्र रुझान स्पष्ट हो सकते हैं, लेकिन शोधकर्ताओं ने पाया कि लगभग सभी मामलों में, शोर में कमी का नकारात्मक प्रभाव पड़ा। फ़िल्टर किए गए सिग्नल बिल्कुल महत्वपूर्ण जानकारी हैं जो मॉडल को यह निर्धारित करने में मदद करते हैं कि सक्रिय क्षेत्र कब दिखाई देता है।
शोधकर्ताओं ने अर्लीडिटेक्ट को प्रशिक्षित करने के लिए नासा के सोलर डायनेमिक्स ऑब्ज़र्वेटरी और हेलियोसेस्मिक और मैग्नेटिक इमेजर के डेटा का उपयोग किया, और फिर मॉडल को सौर सक्रिय क्षेत्रों का विश्लेषण करने के लिए कहा जो इसकी सामान्यीकरण क्षमता का परीक्षण करने के लिए प्रशिक्षण डेटा में दिखाई नहीं देते थे।
परिणाम बताते हैं कि सबसे अच्छा प्रदर्शन करने वाला मॉडल सौर सक्रिय क्षेत्रों के दिखाई देने से औसतन 9.24 घंटे पहले प्रासंगिक अग्रदूतों की पहचान करने में सक्षम था, जो मानक ट्रांसफार्मर मॉडल और पहले इस्तेमाल किए गए बेसलाइन तरीकों से बेहतर प्रदर्शन कर रहा था।
न्यू जर्सी इंस्टीट्यूट ऑफ टेक्नोलॉजी में डेटा साइंस के सहायक प्रोफेसर और प्रोजेक्ट लीडर मेंगजिया जू ने कहा कि मशीन लर्निंग का अभी तक सौर गतिविधि भविष्यवाणी में व्यापक रूप से उपयोग नहीं किया गया है, लेकिन इस अध्ययन से पता चलता है कि उन्नत मशीन लर्निंग मॉडल भविष्य के अंतरिक्ष मौसम पूर्वानुमान के लिए नई दिशाएं खोल सकते हैं।
यह शोध न्यू जर्सी इंस्टीट्यूट ऑफ टेक्नोलॉजी में ग्रेस हॉपर इंस्टीट्यूट फॉर आर्टिफिशियल इंटेलिजेंस द्वारा समर्थित पहली परियोजनाओं में से एक है। कृत्रिम बुद्धिमत्ता के क्षेत्र में अंतःविषय अनुसंधान को बढ़ावा देने के लिए 2025 में संस्थान की स्थापना की गई थी। परियोजना को नासा के हेलियोफिजिक्स और अंतरिक्ष मौसम अनुसंधान कार्यक्रमों से भी समर्थन मिला, जिसमें विज्ञान-संचालित अनुसंधान और नवाचार केंद्र और सूर्य के अंदर और बाहर क्षेत्रों और प्रवाह के परिणाम शामिल हैं।
अनुवर्ती अनुसंधान को बढ़ावा देने के लिए, टीम ने प्रासंगिक डेटा संसाधनों का भी खुलासा किया। उन्होंने सोलर एक्टिव एरिया फॉर्मेशन डेटासेट या सोलरईडी जारी किया। यह सोलर डायनेमिक्स वेधशाला के अवलोकनों के आधार पर संकलित सौर सक्रिय क्षेत्रों का एक डेटाबेस है। इसके अलावा, शोधकर्ताओं ने उपयोगकर्ताओं को इंटरैक्टिव अवलोकन डेटा ब्राउज़िंग फ़ंक्शन प्रदान करने के लिए एक सौर सक्रिय क्षेत्र पोर्टल भी स्थापित किया।
जू ने कहा कि यह जनता के लिए खुला पहला सौर सक्रिय क्षेत्र निर्माण डेटा सेट है और नई भविष्यवाणी विधियों को विकसित करने और परीक्षण करने के लिए मशीन लर्निंग और हेलियोफिजिक्स अनुसंधान समुदायों के लिए एक सामान्य संसाधन प्रदान कर सकता है।
हालाँकि, अनुसंधान टीम ने इस बात पर जोर दिया कि अर्लीडिटेक्ट को अभी तक वास्तविक समय परिचालन पूर्वानुमान प्रणाली के रूप में उपयोग नहीं किया जा सकता है। मॉडल को ज्ञात सौर सक्रिय क्षेत्र निर्माण घटनाओं पर प्रशिक्षित किया गया था और सक्रिय क्षेत्रों के प्रकट होने के बाद भी यह गलत अलार्म जारी कर सकता है या भविष्यवाणियां दे सकता है।
इसके अलावा, यह पहचानने से कि एक सौर सक्रिय क्षेत्र बन रहा है, इसका मतलब यह नहीं है कि सौर ज्वाला या कोरोनल मास इजेक्शन आसन्न है। कई सौर सक्रिय क्षेत्र अंततः बड़े पैमाने पर विस्फोट उत्पन्न नहीं करते हैं। शोधकर्ताओं को बड़ी संख्या और सौर घटनाओं की व्यापक श्रृंखला का उपयोग करके मॉडल का और परीक्षण करने की भी आवश्यकता है।
तिरोना ने उम्मीद जताई कि यह शोध अधिक लोगों को सौर भौतिकी के क्षेत्र में मशीन लर्निंग की क्षमता से अवगत कराएगा। यह बहुत दिलचस्प होगा यदि किसी प्रकार का मॉडल भविष्य में अंतरिक्ष मौसम की घटनाओं की भविष्यवाणी करने में मदद कर सके। हालाँकि, वर्तमान शोध अभी भी इस लक्ष्य से कुछ दूर है, और यह परिणाम सिर्फ एक रोमांचक शुरुआती बिंदु है।
टिप्पणियाँ