作者：Stephen Luntz
編譯：陳昭昭
圖檔來源：NASA/SDO
像這樣的耀斑可能對重要的技術系統構成威脅，但現在至少操作人員會得到半小時的警告。
預測太陽爆發何時會影響地球的努力是不精确的且令人沮喪的，但美國宇航局期望它們能變得更好一點。一個人工智能系統現在正在處理來自衛星的資料，以警告強大到足以破壞重要基礎設施的太陽風暴。
如果你曾想過，如果在全球災難發生前一天你會做什麼，你可能想縮短你的時間線，隻是為了做好準備。并不是說美國宇航局希望它現在可以用30分鐘的預警來預測的太陽風暴會摧毀地球或任何如此戲劇性的事情，但它們确實涉及到可能使我們的文明受到很大壓力的事件的（小）風險。
也許并不奇怪，科學家們仍然沒有什麼能力來預測何時會發生重大的太陽風暴。事實上，我們預測一個太陽周期的平均活動水準的能力仍然很差。然而，我們期望，一旦風暴發生，就很容易知道它們是否以及何時會撞擊地球磁場，引發地磁誘導電流（GICs）。GICs可以對任何長的、薄的和金屬的東西造成破壞--包括電氣技術、石油管道和鐵路。
這種能力使我們有足夠的機會在與日冕物質抛射（CMEs）相關的帶電粒子穿越地球-太陽距離并影響我們的世界所需的2-3天内做好準備。然而，相反，即使在我們目睹了巨大的耀斑之後，預測命中率仍然是非常失誤的。例如，3月23日的史詩般的極光讓我們大吃一驚--人們期望那晚的極光是為第二天晚上的大型事件做一個溫和的鋪墊。
錯過極地光的奇迹可能是令人難過的，但與沒有準備好應對一個可能使網際網路崩潰和破壞電網的事件（至少是暫時的）的後果相比，這隻是小事。
對像這樣的事件的警告的追求，讓美國宇航局、美國地質調查局和美國能源部共同開發了一個深度學習程式，以識别太陽風活動的模式。深度學習地磁擾動計算機模型，現在被命名為DAGGER，就是這一成果。DAGGER的能力已經在最近的一篇論文中進行了描述。
然而，它取決于靠近地球的太陽風活動，而不是在它第一次離開太陽時，隻提供30分鐘的警告，每分鐘更新一次。
"印度大學間天文學和天體實體學中心的Vishal Upendran在一份聲明中說："有了這個人工智能，現在有可能在發生太陽風暴時進行快速和準确的全球預測并告知決策，進而最大限度地減少--甚至防止--對現代社會的破壞。
作者通過向DAGGER提供2011年8月和2015年3月地磁暴之前的資料，驗證了它的能力。在這兩種情況下，DAGGER不僅預測了影響，而且還預測了影響的大小和在地球上的什麼地方會感受到。
如果你不記得這些事件，那是因為它們都不是那麼災難性的。然而，我們沒有1989年的詳細太陽風暴資料--更不用說1859年了--來測試DAGGER在面對來自太陽的真正嚴重的爆發時的表現如何。
然而，深度學習的優勢在于，它所處理的資料越多，其預測就越好。在一場大風暴之前，我們經曆的每一場非威脅性風暴都會提高DAGGER在關鍵時刻的表現能力。
結合在源頭觀察太陽風的能力的提高，DAGGER可能是通往更長預警期的墊腳石。也許到那時，除了給系統營運商一個機會把他們的電荷放入安全模式外，我們其他人也可以實作我們的末日前派對計劃。
對DAGGER性能的研究在《空間天氣》雜志上公開發表。
資料來源：
https://www.iflscience.com/nasas-dagger-should-give-30-minutes-warning-of-catastrophic-solar-storms-68937
作者：Stephen Luntz
斯蒂芬-倫茨畢業于墨爾本大學，擁有科學（實體學專業）和藝術（英國文學和科學曆史與哲學）學位，随後又獲得了澳洲國立大學的科學傳播研究所學生文憑。除了為科學博物館設計展品外，畢業文憑還包括為澳洲農村地區的數千名學生表演有關飛行和碰撞的科學以及液氮的用途。在成為IFLScience.com的作家之前，斯蒂芬為《澳洲科學》雜志寫了15年的文章。他的專欄曾入圍昆士蘭總理科學寫作獎，并構成了《法醫學、化石和果蝠》一書的基礎：澳洲科學家實地指南》一書的基礎。該書探讨了那些從事大量現代研究的科學家的職業和動機，但他們很少獲得對那些獲得重大獎項的少數人的關注。另一方面，他也為他的文章采訪了三位諾貝爾獎得主。