Model AI NASA Deteksi Wilayah Badai Matahari 12…

Tim astrofisikawan dan ilmuwan data NASA dalam proyek COFFIES (Consequence Of Fields and Flows in the Interior and Exterior of the Sun) telah mengembangkan model pembelajaran mesin yang mampu mendeteksi tanda-tanda wilayah pembentuk badai di Matahari hingga 12 jam sebelum wilayah tersebut muncul di permukaan. Penelitian ini memanfaatkan observasi dari Solar Dynamics Observatory serta sumber daya superkomputasi NASA Ames untuk mengidentifikasi presursor terbentuknya wilayah aktif. Hasil temuan tersebut dipublikasikan di Journal of Geophysical Research: Machine Learning and Computation sebagai langkah maju dalam upaya memprediksi cuaca ruang angkasa.

Latar Belakang dan Tantangan Pengamatan

Wilayah aktif di interior Matahari merupakan area di mana medan magnet kuat berkumpul dan saat naik ke permukaan dapat berupa noda matahari serta menjadi sumber ledakan matahari dan ejeksi massa koronal (CME). Fenomena ini mengirimkan radiasi berenergi tinggi dan partikel bermuatan ke seluruh ruang angkasa, membahayakan astronot, satelit, dan komunikasi radio di Bumi. Tantangan utama bagi ilmuwan selama ini adalah ketidakmampuan untuk melihat struktur magnet langsung saat masih bergerak di interior Matahari. Alexander Kosovichev, ko-investigator COFFIES di NJIT, menjelaskan bahwa teknik yang dikembangkan mengidentifikasi presursor yang terkait dengan wilayah aktif yang muncul melalui perubahan daya akustik Matahari yang halus, mirip seperti mendeteksi perubahan ritme kecil dalam orkestra yang sangat bising.

Metode Transformer Sliding-Window

Pendekatan baru ini menggunakan arsitektur transformer sliding-window khusus untuk mempelajari perubahan gelombang akustik yang disebabkan wilayah noda matahari saat mulai terbentuk di bawah permukaan dan bergerak menuju permukaan. Metode ini bekerja dengan urutan data matahari yang panjang, memungkinkan model mengikuti perubahan aktivitas dari waktu ke waktu dengan jendela ukuran tetap yang bergerak melintasi data. Model fokus pada perubahan terbaru sambil tetap melacak pola yang lebih luas, berbeda dengan metode deep learning sebelumnya yang melihat semua aktivitas Matahari sekaligus. Saat ini peramal cuaca ruang angkasa memantau wilayah aktif yang sudah terlihat, namun dengan model COFFIES ilmuwan dapat memperoleh informasi tentang wilayah aktif sebelum muncul di permukaan.

Dampak bagi Misi Masa Depan dan Kolaborasi

Kemampuan prediksi ini sangat berguna terutama untuk wilayah aktif di sisi jauh Matahari yang sulit dipantau sebelum berputar masuk ke pandangan, sehingga dapat memberikan informasi tambahan untuk model cuaca ruang angkasa yang sudah ada. Meskipun model ini belum siap untuk peramalan cuaca ruang angkasa operasional dan real-time, tim COFFIES berencana menguji pendekatan ini pada lebih banyak peristiwa matahari yang diketahui serta menyempurnakan model untuk meningkatkan keandalannya. Informasi lebih awal tentang aktivitas matahari potensial menjadi sangat penting seiring NASA mempersiapkan misi manusia ke Bulan dan akhirnya ke Mars, karena ledakan matahari dan CME dapat menciptakan cuaca ruang angkasa yang mengancam astronot dan pesawat ruang angkasa yang mereka andalkan.

NASA dan NOAA sudah bekerja sama memantau dan meramalkan cuaca ruang angkasa, dan pendekatan COFFIES baru ini dapat memberikan tim-tim tersebut informasi lebih lanjut tentang di mana wilayah aktif mungkin muncul dan di mana ledakan potensial bisa terjadi. Pekerjaan ini merupakan bagian dari upaya COFFIES yang lebih besar untuk memahami proses yang terjadi di dalam Matahari dengan mempelajari interior Matahari dan aktivitas magnetnya yang berubah. Ilmuwan berharap memahami siklus aktivitas 11 tahun Matahari dengan lebih baik dan membantu meningkatkan alat yang digunakan untuk meramalkan cuaca ruang angkasa di seluruh tata surya.