요약:
미국 뉴저지 공과대학 연구팀이 실제로 태양 활동 영역이 가시 표면에 나타나기 전에 극도로 약한 경고 신호를 미리 식별할 수 있는 인공지능 시스템을 개발했습니다. 연구에 따르면 이 시스템은 평균적으로 거의 9시간 전에 새로운 활동 영역이 형성되는 징후를 감지할 수 있어 미래의 태양 폭풍을 예측할 수 있는 새로운 가능성을 제공합니다.
흑점이 태양의 눈에 보이는 표면을 어둡게 만들기 전에 이를 생성하는 자기 활동은 실제로 태양 내부에서 조용히 발전하고 있습니다. 이러한 초기 변화는 너무 약해서 과학자들이 안정적으로 식별하기가 오랫동안 어려웠습니다. 이제 "EarlyDetect"라는 인공지능 모델은 태양의 음향 활동과 자기장 변화에서 관련 단서를 찾을 수 있으며, 새로운 태양 활동 영역의 전구체가 눈에 띄기 전에 평균 9.24시간 전에 감지할 수 있습니다.
이 연구는 뉴저지 공과대학(New Jersey Institute of Technology) 연구팀에 의해 완료되었으며, 그 결과는 8월 14일 'Journal of Geophysical Research: Machine Learning and Computing'에 게재되었습니다. 이 모델은 뉴저지 공과대학 학부 연구원인 조나스 티로나(Jonas Tirona)가 뉴저지 공과대학의 컴퓨터 과학자, 태양물리학자를 비롯해 프린스턴 대학교와 NASA의 에임스 연구 센터의 연구원들과 협력하여 개발했습니다. 이번 연구에서는 NASA의 태양 역학 관측소(Solar Dynamics Observatory)의 데이터를 사용했습니다.
티로나는 이번 연구의 가장 큰 가치는 머신러닝을 통해 태양 활동 영역이 언제 나타날지 미리 예측할 수 있다는 점을 입증했다는 점이라고 말했다. 신뢰할 수 있는 조기 경보 시스템이 추가로 개발될 수 있다면 위성 통신 회사와 전력망 운영자는 태양 폭풍으로 인한 잠재적인 피해를 줄이기 위한 조치를 미리 취할 수 있을 것입니다.
태양 활동 지역은 자기 활동이 매우 강한 지역으로, 일반적으로 흑점이 형성됩니다. 활성 영역이 나타나 태양 표면에 도달하는 데는 종종 몇 시간이 걸리며 완전히 형성되는 데는 하루에서 며칠이 걸릴 수 있습니다.
이 지역이 태양 표면에 도달하기 전에 상승하는 자기장은 태양 내부를 통과하는 음파에 미묘한 영향을 미칩니다. 과학자들은 직접 관찰할 수 없는 내부 과정을 분석하기 위해 태양 내부에서 전파되는 파동을 사용하는 "태양지진학"을 통해 이러한 진동을 연구할 수 있습니다.
EarlyDetect는 매 시간 생성되는 음향 파워 맵을 분석하고 이를 태양 자기장 측정 데이터와 결합하여 활성 영역이 형성되기 전의 비정상적인 패턴을 찾습니다. 음향 데이터는 Solar Dynamics Observatory의 Helioseismic 및 Magnetic Imager에서 가져온 것입니다. 이 장비는 45초마다 음향 측정값을 기록하므로 연구자들은 태양 내부의 음향 활동에 대한 그림을 구성할 수 있습니다.
뉴저지 공과대학 물리학과 석좌교수이자 이 프로젝트의 공동 리더인 알렉산더 코소비치체프(Alexander Kosovichev)는 이번 연구가 직면한 가장 큰 어려움은 태양 활동 영역이 초기에 가시 표면 아래에 형성되어 과학자들이 그 자기 구조를 직접 관찰할 수 없다는 점이라고 지적했습니다. 결과적으로 연구자들은 태양의 자기장과 음파 전파 패턴에서 극히 작은 변화만 찾을 수 있습니다. 그 과정은 시끄러운 오케스트라에서 리듬의 미묘한 변화를 식별하는 것과 같습니다.
EarlyDetect는 Transformer 아키텍처를 사용합니다. 이런 종류의 인공지능 기술은 ChatGPT와 같은 대규모 언어 모델에도 널리 사용됩니다. 그러나 EarlyDetect는 언어를 분석하지 않지만 태양 활동의 변화를 나타낼 수 있는 태양 관측 데이터의 통계 패턴을 찾습니다.
연구 과정에서 팀은 원래 잡음을 제거하고 모델이 중요한 태양 신호를 식별하는 데 사용된 필터링 방법이 실제로 예측 효과를 감소시킨다는 사실도 발견했습니다.
Tirona가 프로젝트에 참여했을 때 연구원들은 짧은 시간에 중요한 태양 패턴을 강조하기 위해 필터링 기술을 사용하고 있었습니다. 그러나 테스트 결과에 따르면 관측 데이터를 필터링하면 모델의 예측 품질이 저하되는 것으로 나타났습니다. Kosovichev는 연구팀이 처음에는 필터링이 유용한 신호를 분리할 수 있다고 생각했지만 가장 약하지만 가장 빠른 변동을 평균화한다는 사실을 발견했다고 말했습니다.
Tirona는 이 과정을 소음 감소 기술에 비유했습니다. 일반적으로 소음 감소는 강한 소음을 제거하고 전반적인 추세를 보다 명확하게 만들 수 있지만, 연구원들은 거의 모든 경우에 소음 감소가 부정적인 영향을 미치는 것으로 나타났습니다. 필터링된 신호는 모델이 활성 영역이 나타나는 시기를 결정하는 데 도움이 되는 중요한 정보입니다.
연구원들은 NASA의 Solar Dynamics Observatory와 Helioseismic and Magnetic Imager의 데이터를 사용하여 EarlyDetect를 훈련시킨 다음 모델에 훈련 데이터에 나타나지 않은 태양 활동 영역을 분석하여 일반화 능력을 테스트하도록 요청했습니다.
결과에 따르면 가장 성능이 좋은 모델은 태양 활동 영역이 보이기 전 평균 9.24시간 전에 관련 전구체를 식별할 수 있었으며 이는 표준 Transformer 모델과 이전에 사용된 기본 방법보다 성능이 뛰어났습니다.
New Jersey Institute of Technology의 데이터 과학 조교수이자 프로젝트 리더인 Mengjia Xu는 머신러닝이 아직 태양 활동 예측에 널리 사용되지는 않았지만 이 연구는 고급 머신러닝 모델이 미래 우주 기상 예측에 새로운 방향을 열 수 있음을 보여준다고 말했습니다.
이 연구는 뉴저지 공과대학(New Jersey Institute of Technology) 산하 그레이스 호퍼 인공지능 연구소(Grace Hopper Institute for Artificial Intelligence)가 지원하는 첫 번째 프로젝트 중 하나이기도 합니다. 본 연구소는 인공지능 분야의 학제간 연구를 촉진하기 위해 2025년 설립되었습니다. 이 프로젝트는 또한 과학 중심 연구 및 혁신 센터와 태양 안팎의 필드 및 흐름의 결과를 포함하여 NASA의 태양 물리학 및 우주 기상 연구 프로그램의 지원을 받았습니다.
후속 연구를 촉진하기 위해 팀에서는 관련 데이터 리소스도 공개했습니다. 그들은 Solar Active Area Formation Dataset(Solar Active Area Formation Dataset)을 발표했습니다. 태양역학관측소(Solar Dynamics Observatory)의 관측을 바탕으로 작성된 태양 활동 지역의 데이터베이스입니다. 또한 연구원들은 사용자에게 대화형 관측 데이터 검색 기능을 제공하기 위해 태양 활동 영역 포털도 구축했습니다.
Xu는 이것이 대중에게 공개된 최초의 태양 활동 지역 형성 데이터 세트이며 기계 학습 및 태양 물리학 연구 커뮤니티가 새로운 예측 방법을 개발하고 테스트할 수 있는 공통 리소스를 제공할 수 있다고 말했습니다.
그러나 연구팀은 EarlyDetect가 아직 실시간 운영 예측 시스템으로 사용될 수는 없다는 점을 강조했습니다. 이 모델은 알려진 태양 활성 지역 형성 사건에 대해 훈련되었으며 활성 지역이 이미 발생한 후에도 잘못된 경보를 발행하거나 예측을 제공할 수 있습니다.
게다가 태양 활동 영역이 형성되고 있다고 확인한다고 해서 태양 플레어나 코로나 질량 방출이 임박했다는 의미는 아닙니다. 많은 태양 활동 지역은 궁극적으로 대규모 폭발을 일으키지 않습니다. 연구원들은 또한 더 많은 수와 더 넓은 범위의 태양 현상을 사용하여 모델을 추가로 테스트해야 합니다.
Tirona는 이번 연구가 더 많은 사람들에게 태양 물리학 분야에서 머신러닝의 잠재력을 인식하게 되기를 희망한다고 말했습니다. 어떤 종류의 모델이 미래의 우주 기상 현상을 예측하는 데 도움이 될 수 있다면 매우 흥미로울 것입니다. 그러나 현재의 연구는 이 목표와는 아직 거리가 있으며, 이 결과는 단지 흥미로운 출발점일 뿐입니다.
댓글