人工智能模型EarlyDetect的开发及其在捕捉太阳爆发前兆信号方面的能力，直接影响了空间天气预警系统的提前预警时间窗口。该模型能够从太阳的声学活动和磁场变化中寻找相关线索，平均能在新的太阳活动区变得可见前检测到其前兆，时间跨度约为9.24小时。
这项研究成果由新泽西理工学院的研究团队完成，并于8月14日发表在《地球物理学研究杂志：机器学习与计算》上。该模型的发展是新泽西理工学院格蕾丝·霍珀人工智能研究所支持的首批项目之一。
EarlyDetect模型的构建过程涉及多方合作，由新泽西理工学院本科研究人员乔纳斯·蒂罗纳开发，他与该校的计算机科学家、太阳物理学家，以及普林斯顿大学和美国国家航空航天局艾姆斯研究中心的研究人员开展了合作。模型训练所使用的数据源来自美国宇航局太阳动力学天文台。
在技术细节方面，EarlyDetect通过分析每小时生成的声学功率图，并结合太阳磁场测量数据，寻找活动区形成前的异常模式。具体而言，声学数据来源于太阳动力学天文台上的日震与磁成像仪，该仪器记录声波测量的频率为每45秒一次。
模型在技术架构上采用了Transformer架构，这是一种已被广泛应用于ChatGPT等大型语言模型的先进人工智能技术。研究人员使用美国宇航局太阳动力学天文台和日震与磁成像仪的数据来训练EarlyDetect模型，并公开了“太阳活动区形成数据集”，即SolARED，这是一套根据太阳动力学天文台观测结果整理的太阳活动区资料库。
从性能评估来看，性能最强的EarlyDetect模型平均能够在太阳活动区变得可见前9.24小时识别出相关前兆，其表现优于标准Transformer模型以及此前使用的基准方法。然而，研究团队指出，该模型是在已知的太阳活动区形成事件基础上训练的，因此仍可能发出误报，也可能在活动区已经出现后才给出预测。
时间线方面，这项成果的研究和发表时间点为8月14日。早期的预警能力（平均9.24小时）代表了模型当前可达到的最佳性能指标，这标志着太阳物理学数据分析领域的一个技术进步节点。
影响边界的界定至关重要：尽管EarlyDetect展现出强大的预测潜力，但其预测结果并非绝对可靠。用户需要了解该模型可能存在误报的可能性，并且预警时间点不一定能完全覆盖活动区形成的全过程。
读者提示方面，对于关注空间天气和太阳物理的专业人士而言，可以关注新泽西理工学院后续基于SolARED数据集的进一步研究进展。本信息来源于cnBeta.COM报道的公开资料，仅描述了已确认的研究成果。
信息来源
本文基于上述公开资料整理，未使用来源页面的图片、视频或嵌入媒体。