這個星球上的麻煩已經夠多了，我們不需要來自太陽的新問題。 不幸的是，我們還不能摧毀這顆無情的恆星，所以我們只能任由它擺佈。 但至少美國宇航局 可能很快就能讓我們知道 當其致命的耀斑之一將使我們的地面系統陷入混亂時。
了解和預測太空天氣是 NASA 工作的重要組成部分。 上面沒有空氣，所以沒人能聽到你尖叫，“哇，這種輻射怎麼樣！” 因此，我們依靠一組衛星來檢測並將這些重要數據轉發給我們。
一種這樣的測量是太陽風，“來自太陽的不間斷的物質流”。 甚至 NASA 也找不到什麼好說的！ 通常情況下，這種流會被我們的磁層吸收或消散，但如果發生太陽風暴，它的強度可能足以壓倒當地的防禦系統。
發生這種情況時，它會使電子設備出現故障，因為這些帶電粒子會翻轉位或破壞 RAM 和固態存儲等易失性存儲器。 美國宇航局表示，即使是電報站也不安全，在有記錄以來最大的太陽風暴期間爆炸， 1859 年的卡靈頓事件.
雖然我們無法阻止這些恆星事件的發生，但如果我們知道它們即將到來，我們或許能夠更好地為它們做好準備。 但通常在我們知道的時候，他們基本上已經在這裡了。 但是我們如何才能預測這種罕見且混亂的事件呢？
2003 年太陽風暴期間 NASA 的 SOHO 衛星不堪重負的景象。 圖片學分： 美國宇航局
NASA、美國地質調查局和能源部前沿開發實驗室之間的一個聯合項目一直在研究這個問題，答案正是您所期望的：機器學習。
該團隊從多顆監測太陽的衛星以及監視地磁干擾（稱為擾動）的地面站收集了太陽耀斑的數據，就像那些影響技術的干擾一樣。 他們設計的深度學習模型確定了前者如何導致後者的模式，他們將由此產生的系統稱為 DAGGER： 丁電子書A分鐘GG電磁波乙rtuR營地。
是的，這是一個延伸。 但它似乎工作。
該團隊使用 2011 年和 2015 年襲擊地球的地磁風暴作為測試數據，發現 DAGGER 能夠快速準確地預測它們在全球範圍內的影響。 這結合了以前方法的優點，同時避免了它們的缺點。 正如美國宇航局所說：
以前的預測模型使用人工智能為地球上的特定位置生成局部地磁預測。 其他沒有使用人工智能的模型提供的全球預測不是很及時。 DAGGER 是第一個將 AI 的快速分析與來自太空和整個地球的實際測量相結合的公司，以生成頻繁更新的預測，這些預測對於全球各地的站點來說既及時又準確。
可能要過一會兒你的手機才會收到太陽能警報，告訴你靠邊停車，否則你的車可能會停止工作（這實際上不會發生……可能），但當我們知道存在脆弱的基礎設施時，這可能會產生很大的不同可能會突然關閉。 幾分鐘的警告總比沒有好！
您可以在本期期刊中閱讀描述 DAGGER 模型的論文，順便說一句，該模型是開源的 空間天氣.