SuryaBench: Benchmark-dataset för att främja maskininlärning inom heliofysik och rymdväderprognoser

Varför solens dataflod spelar roll

Vår teknikfyllda värld är i det tysta beroende av solens humör. Solstormar kan störa GPS, radiolänkar och till och med elnät. NASAs Solar Dynamics Observatory har under mer än ett decennium övervakat solen i utsökt detalj, men bildmassan och komplexiteten gör dem svåra att använda i stor skala. Denna artikel presenterar SuryaBench, en omsorgsfullt förberedd samling soldata utformad så att moderna artificiella intelligensverktyg kan lära sig tolka solen och hjälpa oss att förutsäga rymdväder mer tillförlitligt.

En tydligare bild av vår aktiva stjärna

SuryaBench utgår från den råa strömmen av bilder och mätningar som NASA:s Solar Dynamics Observatory fångat sedan 2010. Ett instrument registrerar ljus från mycket het solgas högt ovanför ytan, medan ett annat kartlägger magnetfält och rörelser på själva ytan. Författarna justerar, rengör och standardiserar dessa bilder så att solskivan alltid framträder på samma plats, i samma storlek och skärpa, och så att förändringar i rymdfarkostens bana eller kameras åldrande korrigeras. Resultatet är en enhetlig vy av solen, i full originalupplösning, upprepad var 12:e minut över nästan en hel 11-årig solcykel.

Från röriga mätningar till maskinredo data

Att göra denna råa skattkista till material som datorer kan lära sig av kräver många noggranna steg. Teamet korrigerar rymdfarkostens rotation och inriktning, anpassar för olika exponeringstider så att ljusa och svaga detaljer behandlas rättvist, och kompenserar för gradvis slitage i detektorerna. De sammanför också bilder från separata instrument så att strukturer i het glödande gas linjerar exakt med de magnetiska mönster som formar dem. Dessutom åtgärdar de solskivans upplevda storlek, som annars skulle variera när farkostens avstånd till solen förändras. Dessa val tar bort distraktioner som skulle förvirra inlärningsalgoritmer och låter dem fokusera på verkligt solbeteende.

Inbyggda utmaningar för smarta modeller

I stället för att bara erbjuda rengjorda bilder innehåller SuryaBench även sex färdiga "challenge sets" som fångar centrala frågeställningar inom sol- och rymdväderforskning. Ett fokuserar på att identifiera magnetiskt aktiva fläckar på solens yta, ett annat på att upptäcka subtila tecken på att en sådan region är på väg att uppstå, och ett tredje på att koppla samman ytans magnetism med de slingrande magnetfälten högt upp i koronan. Andra knyter solbilderna till faktiska händelser som är viktiga nära jorden, såsom burst av röntgenstrålning kallade solfläckar (solar flares), förändringar i solvinden som sveper förbi jorden, och variationer i solens extremt ultravioletta utsläpp som påverkar övre atmosfären och satelliternas drag. Varje uppgift levereras med standardiserade datasplittringar och exempel på maskininlärningsmodeller, så forskare kan jämföra metoder på lika villkor.

Testa dagens verktyg på morgondagens stormar

För att visa hur SuryaBench kan användas kör författarna en rad populära djupinlärningsmodeller på flera av dessa uppgifter. De visar att ett modernt neuralt nätverk redan kan lära sig förutsäga framtida solbilder med god trovärdighet och kan hantera problem som segmentering av aktiva regioner, uppskattning av solvindshastighet och klassificering av starka solfläckar. Prestanda varierar med uppgift och modellfamilj, vilket understryker både potentialen i datadrivna tillvägagångssätt och behovet av fortsatt innovation. Genom att rapportera gemensamma noggrannhetsmått och dela koden sätter projektet en fast referenslinje för framtida arbete.

Vad detta innebär för livet på jorden

I praktiska termer handlar SuryaBench mindre om att bygga en perfekt prognos idag och mer om att ge forskarsamhället en gemensam, högkvalitativ lekplats för att bygga bättre prognoser imorgon. Genom att paketera år av noggrant rengjorda solobservationer tillsammans med väldefinierade prognosproblem sänker datasetet tröskeln för både solfysiker och maskininlärningsexperter att samarbeta. När modeller förbättras kan vi räkna med stadigare vägledning om när solen sannolikt kommer att störa våra rymd- och markbaserade system. För allmänheten för oss detta närmare att behandla rymdväder mer som vanligt väder — något vi kan följa, förutse och planera för med växande förtroende.

Citering: 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

Nyckelord: rymdväder, solfläckar, heliofysik, maskininlärning, solvinden