SuryaBench: Benchmark-Datensatz zur Förderung des maschinellen Lernens in der Helio- physik und der Vorhersage des Weltraumwetters

Warum die Datenflut der Sonne wichtig ist

Unsere technologiegeprägte Welt hängt stillschweigend von der Laune der Sonne ab. Sonnenstürme können GPS, Funkverbindungen und sogar Stromnetze stören. Die Solar Dynamics Observatory der NASA beobachtet die Sonne seit mehr als einem Jahrzehnt mit großer Detailgenauigkeit, doch das schiere Volumen und die Komplexität dieser Bilder erschweren eine breite Nutzung. Dieses Paper stellt SuryaBench vor, eine sorgfältig aufbereitete Sammlung von Sonnendaten, die modernen Werkzeugen der künstlichen Intelligenz das Lesen der Sonne ermöglichen und uns helfen sollen, das Weltraumwetter zuverlässiger vorherzusagen.

Ein klareres Bild unseres aktiven Sterns

SuryaBench beginnt mit dem Rohstrom aus Bildern und Messungen, die das Solar Dynamics Observatory seit 2010 aufzeichnet. Ein Instrument erfasst Licht aus sehr heißem Sonnenplasma hoch oberhalb der Oberfläche, ein anderes kartiert Magnetfelder und Bewegungen direkt an der Oberfläche. Die Autoren richten diese Bilder aus, säubern sie und standardisieren sie so, dass die Sonnenscheibe stets an derselben Stelle mit derselben Größe und Schärfe erscheint und Änderungen durch die Raumsondebahn oder das Altern der Kamera korrigiert werden. Das Ergebnis ist eine einheitliche Sicht auf die Sonne in der vollen Originalauflösung, wiederholt alle 12 Minuten über fast einen kompletten 11-jährigen Sonnenzyklus.

Von unordentlichen Messungen zu maschinenreifen Daten

Aus diesem Rohschatz material zu machen, von dem Computer lernen können, erfordert viele sorgfältige Schritte. Das Team korrigiert die Rotation und Ausrichtung der Raumsonde, gleicht unterschiedliche Belichtungszeiten an, sodass helle und schwache Strukturen fair behandelt werden, und kompensiert für den allmählichen Verschleiß der Detektoren. Außerdem bringen sie Bilder verschiedener Instrumente zusammen, sodass in heißem Plasma sichtbare Strukturen genau mit den magnetischen Mustern übereinstimmen, die sie formen. Zusätzlich fixieren sie die scheinbare Größe der Sonnenscheibe, die sonst durch Änderungen der Distanz der Raumsonde zur Sonne schwanken würde. Diese Entscheidungen entfernen Ablenkungen, die Lernalgorithmen verwirren würden, und erlauben ihnen, sich auf tatsächliches solares Verhalten zu konzentrieren.

Eingebaute Herausforderungen für intelligente Modelle

Statt nur bereinigte Bilder anzubieten, umfasst SuryaBench auch sechs fertige „Challenge-Sets“, die zentrale Fragestellungen der Sonnen- und Weltraumforschung abbilden. Ein Set konzentriert sich auf die Identifikation magnetisch aktiver Flecken auf der Sonnenoberfläche, ein anderes darauf, subtile Anzeichen zu erkennen, dass ein solches Gebiet im Begriff ist zu entstehen, und ein drittes verbindet die Oberflächenmagnetik mit den sich hoch in der Korona spannenden Magnetfeldschlaufen. Weitere Sets koppeln die Sonnenbilder an tatsächlich relevante Ereignisse in Erdnähe, etwa Röntgenausbrüche (Sonnenflares), Änderungen im Sonnenwind, der an der Erde vorüberzieht, und Schwankungen im extremen Ultraviolett der Sonne, die obere Atmosphäre und Satellitenwiderstand beeinflussen. Jede Aufgabe enthält standardisierte Datensplits und Beispiel-ML-Modelle, damit Forschende Methoden auf Augenhöhe vergleichen können.

Heutige Werkzeuge an den Stürmen von morgen testen

Um zu demonstrieren, wie SuryaBench genutzt werden kann, führen die Autoren verschiedene populäre Deep-Learning-Modelle auf mehreren dieser Aufgaben aus. Sie zeigen, dass moderne neuronale Netze bereits zukünftige Sonnenbilder mit guter Treue vorhersagen können und Probleme wie Segmentierung aktiver Regionen, Abschätzung der Sonnenwindgeschwindigkeit und Klassifikation starker Flares angehen können. Die Leistung variiert je nach Aufgabe und Modellfamilie, was sowohl das Potenzial datengetriebener Ansätze als auch den Bedarf an weiterer Innovation unterstreicht. Durch die Veröffentlichung gängiger Genauigkeitsmaße und des Codes setzt das Projekt eine klare Referenzlinie für zukünftige Arbeiten.

Was das für das Leben auf der Erde bedeutet

Praktisch gesehen geht es bei SuryaBench weniger darum, heute eine einzige perfekte Vorhersage zu liefern, sondern vielmehr darum, der Gemeinschaft einen gemeinsamen, hochwertigen Spielplatz zur Verfügung zu stellen, auf dem bessere Vorhersagen entwickelt werden können. Indem Jahre sorgfältig bereinigter Sonnenbeobachtungen zusammen mit klar definierten Vorhersageproblemen gebündelt werden, senkt der Datensatz die Hürde für Kooperationen zwischen Sonnenphysikern und Experten für maschinelles Lernen. Wenn Modelle besser werden, kann man stabilere Hinweise erwarten, wann die Sonne unsere weltraum- und bodengestützten Systeme stören könnte. Für die breite Öffentlichkeit rückt diese Arbeit näher an die Behandlung von Weltraumwetter wie gewöhnliches Wetter: etwas, das wir beobachten, antizipieren und mit wachsendem Vertrauen planen können.

Zitation: Roy, S., Hegde, D.V., Schmude, J. et al. SuryaBench: Benchmark Dataset for Advancing Machine Learning in Heliophysics and Space Weather Prediction. Sci Data 13, 712 (2026). https://doi.org/10.1038/s41597-026-06552-5

Schlüsselwörter: Weltraumwetter, Sonnenflares, Heliophysik, Maschinelles Lernen, Sonnenwind