fbpx

Algoritmo De Machine Learning Consegue Encontrar Explosões Solares Antes Delas Acontecerem

As técnicas de machine learning possuem inúmeras aplicações na astronomia, desde a classificação de galáxias, a descoberta de exoplanetas, e até mesmo na astrofísica solar.

Nos anos recentes os pesquisadores têm explorado o uso das técnicas de machine learning para entender o que causa as flares solares, e o principal, tentar prever quando elas irão acontecer. Através dessas técnicas é possível investigar a grande quantidade de dados disponíveis e encontrar padrões sutis que jamais seriam encontrados com uma análise manual dos dados. Após esses padrões serem encontrados os pesquisadores podem interpretá-los e criar modelos, gerando assim novas ideias sobre o fenômeno estudado. Esse processo pode não só ajudar a prever as flares solares antes delas acontecerem, mas também pode ajudar a entender o mecanismo físico que gera esses eventos poderosos, com tudo isso, os astrônomos podem entender melhor o complexo ambiente de plasma da atmosfera solar.

Em um estudo recente, pesquisadores aplicaram um algoritmo de machine learning para vasculhar o espectro solar em ultravioleta e identificar sinais de que uma flare solar está prestes a acontecer.

Os pesquisadores usaram os dados adquiridos pelo Interface Region Imaging Spectrograph, ou IRIS, um satélite que orbita a Terra e é dedicado a entender a região da atmosfera do Sol onde a temperatura aumenta, desde poucos milhares de graus até milhões de graus. A equipe de pesquisadores selecionou então 3 conjuntos de observações para a sua análise: um conjunto com o Sol calmo, sem áreas com campos magnéticos amplificados, um conjunto com regiões ativas, onde existe uma amplificação do campo magnético, mas sem flares, e um conjunto de dados com flares. Comparando as observações conhecidas por conter flares com aquelas que não possuem flares, os pesquisadores foram capaz de detectar as características espectrais que são associadas de forma única com as flares.

Os pesquisadores focaram seu estudo nas linhas de magnésio, h e k, que são características proeminentes no intervalo de comprimentos de onda monitorado pelo IRIS. O algoritmo de machine learning apontou um comportamento interessante dessas linhas espectrais, normalmente as linhas h e k possuem picos duplos, mas sob determinadas condições que precedem uma flare solar, cerca de 40 minutos antes, elas ficam com um único pico.

Os pesquisadores descobriram também que as linhas de magnésio com pico único ocorrem também no conjunto de dados de regiões ativas sem flares, mas elas prevalecem nas regiões pré-flare. Essas regiões ativas, com linhas espectrais com pico único também exibem pequenos eventos de aumento de brilho, não uma flare solar completa, mas evidências de que essas linhas espectrais estão de alguma forma associadas com o aquecimento do Sol.

A equipe de pesquisadores determinou que as características espectrais observadas estavam associadas com um aumento de temperatura do Sol aproximadamente a cerca de 1000 km acima da superfície da estrela. Isso sugere que sinais de alerta de flares solares são gerados nessa região, apesar de ser necessário mais trabalho para confirmar o resultado. A enorme quantidade de dados magnéticos do Sol e de seu espectro faz com que essa busca por características espectrais não seja tão trivial assim, mas fica claro com esse trabalho que os algoritmos de machine learning podem trazer para os pesquisadores um entendimento muito melhor sobre o que causa as flares solares.

Fonte:

https://aasnova.org/2022/01/31/teaching-computers-to-find-solar-flares-before-they-happen/

https://iopscience.iop.org/article/10.3847/1538-4357/ac2667/pdf

Sérgio Sacani

Formado em geofísica pelo IAG da USP, mestre em engenharia do petróleo pela UNICAMP e doutor em geociências pela UNICAMP. Sérgio está à frente do Space Today, o maior canal de notícias sobre astronomia do Brasil.

Veja todos os posts

Arquivo