Come la NASA utilizza il machine learning per predire le super-tempeste solari

L’Agenzia spaziale americana ricorre a reti neurali ad apprendimento non supervisionato per proteggere le infrastrutture energetiche dai rischi di black-out causati da perturbazioni estreme [...]
Raffaele Resta

Head of Public Sector Italy, AWS

machine learning super-tempeste
  1. Home
  2. Intelligenza Artificiale
  3. Come la NASA utilizza il machine learning per predire le super-tempeste solari

Super-tempeste solari, eventi fortunatamente poco frequenti ma che possono provocare prolungati ed estesi black-out. La NASA le sta studiando facendo ricorso alle reti neurali ad apprendimento non supervisionato. Le attività di rilevamento delle anomalie e di esplorazione delle condizioni estreme associate alle tempeste solari sono condotte in collaborazione con AWS Professional Services e Amazon Machine Learning (ML) Solutions Lab.

Super-tempeste solari e machine learning

Amazon ML Solutions Lab è un programma che permette ai clienti di AWS di connettersi con gli esperti del machine learning di Amazon. Con la potenza e la velocità di AWS, le analisi per prevedere le tempeste solari possono essere effettuate passando al setaccio fino a 1.000 serie di dati alla volta. L’approccio della NASA si basa sulla classificazione delle super-tempeste solari in base alle anomalie, anziché basarsi su una gamma arbitraria di indici magnetici. Più in particolare, il rilevamento delle anomalie si basa su osservazioni simultanee delle particelle del vento solare e delle risposte nei campi magnetici intorno alla Terra.

Il Sole emette regolarmente brillamenti sotto forma di calore e luce (il cosiddetto “vento solare” appunto). Questi brillamenti raggiungono la Terra in circa 8 minuti e, mentre sono in corso, interrompono i segnali di comunicazione radio. I brillamenti sono spesso accompagnati da un’ondata di particelle solari ad alta energia, che possono viaggiare all’80% della velocità della luce e raggiungere il nostro pianeta in un intervallo di tempo che può variare da 10 a 20 minuti.

I campi magnetici della Terra ci proteggono da gran parte dell’attività del Sole – ma in alcune circostanze la radiazione può filtrare attraverso l’atmosfera protettiva. Occasionalmente, i flare solari scoppiano in un’eruzione chiamata espulsione di massa coronale, o CME. Le CME sono enormi nubi di plasma e campi magnetici, e possono (quando i campi magnetici sono orientati nella direzione opportuna) causare oscillazioni ai campi magnetici intorno alla Terra, come una sorta di “gong cosmico”. Quando le espulsioni di massa coronale solare si scontrano con la magnetosfera terrestre, possono indurre tempeste solari geomagnetiche.

La difficoltà di prevedere le super-tempeste

Gli scienziati della NASA sono impegnati nella comprensione di ciò che trasforma una tempesta solare di media entità in una super-tempesta, proprio come i meteorologi sono in grado di capire come una tempesta tropicale sull’Oceano si possa trasformare in un uragano. Più capiamo cosa causa queste perturbazioni spaziali, più possiamo migliorare la nostra capacità di prevedere e mitigare i loro effetti. Tuttavia, prevedere le super-tempeste e sviluppare sistemi di risposta rapida a questi eventi estremi è un’impresa difficile. Per esempio, data la rarità delle tempeste, ci sono pochissimi esempi storici che possono essere usati per allenare gli algoritmi. Questo rende i comuni approcci di machine learning, come l’apprendimento supervisionato, purtroppo inadeguati per prevedere le super-tempeste. Inoltre, con dozzine di satelliti – del passato e attuali – che raccolgono informazioni meteorologiche da diversi punti di vista intorno alla Terra, la quantità di dati è enorme – e il tentativo di trovare correlazioni è laborioso quando si effettua la ricerca in modo convenzionale.

Le super-tempeste possono essere considerate come eventi anomali, eccezionali. I valori dei punteggi di anomalia e la loro evoluzione possono essere utilizzati per identificare i modelli che distinguono gli eventi di super-tempeste dalle altre tempeste solari. I punteggi di anomalia offrono un metodo alternativo di categorizzazione degli eventi estremi che non si basa su intervalli arbitrari di indici geomagnetici, ma piuttosto sulle caratteristiche delle tempeste stesse.

Le funzioni emergenti che possono essere utilizzate per il rilevamento delle anomalie includono la densità delle particelle nella nostra ionosfera – i livelli più bassi dello spazio che si sovrappongono alla parte superiore dell’atmosfera terrestre. La maggior parte della ionosfera è elettricamente neutra. Tuttavia, l’attività delle radiazioni solari può causare lo spostamento di elettroni da atomi e molecole. Di conseguenza, la densità delle particelle può aumentare di diversi ordini di grandezza sul lato del pianeta rivolto al Sole, durante una super-tempesta. D’altra parte, le tempeste creano un buco nella ionosfera sul lato del tramonto della Terra, poiché la luce del Sole non è disponibile per reintegrare la densità degli ioni dopo che la ionosfera è stata sollevata verso l’alto durante l’evento.

machine learning super-tempeste

Rilevare le anomalie con il machine learning

La NASA utilizza Amazon SageMaker per allenare un modello di rilevamento delle anomalie utilizzando l’algoritmo integrato AWS Random Cut Forest (RCF) con dataset eliofisici compilati da vari strumenti di terra e satellitari. Le anomalie sono facili da descrivere in quanto, se viste in un grafico, sono spesso facilmente distinguibili dai dati più tipici. Con ogni singolo data point, RCF associa un punteggio di anomalia. Valori bassi di punteggio indicano che il data point è considerato normale. Valori alti indicano la presenza di un’anomalia nei dati.

WHITEPAPER
Computer quantistico: i player principali e la supremazia quantistica
Intelligenza Artificiale
Realtà virtuale

Amazon ML Solutions Lab utilizza un’applicazione di pipeline di dati di streaming senza server per consentire il monitoraggio in tempo reale. La pipeline elabora le osservazioni in-situ dai veicoli spaziali per rilevare e segnalare le anomalie in tempo reale. La pipeline di dati sfrutta Amazon Kinesis Data Streams per determinare i punteggi delle anomalie.

Amazon Kinesis Firehose, in grado di trasmettere dati in tempo reale ad Amazon S3, viene utilizzato per la consegna dei dati e la conversione dello schema in Parquet. Oltre all’allerta in tempo reale, i risultati del modello sono memorizzati in Amazon S3 dove possono essere ulteriormente analizzati utilizzando Amazon SageMaker e visualizzati con Amazon QuickSight, che consente la creazione e la pubblicazione di dashboard interattivi che includono ML Insights.

Con un set robusto di anomalie da esaminare, i ricercatori possono cercarne la causa e i collegamenti tra di esse. La NASA e AWS stanno sviluppando un data lake centralizzato che permetterà ai ricercatori di accedere e analizzare i dati “su scala cosmica” con le risorse di calcolo dinamico del cloud. Ad oggi, l’iniziativa ha aggregato dati di osservazione da oltre 50 missioni satellitari contenenti immagini, serie temporali e dati di telemetria vari. I dati vengono continuamente pre-elaborati e combinati per sviluppare visualizzazioni che guidano la futura ricerca e innovazione eliofisica.

Per migliorare i modelli di previsione, gli scienziati possono esaminare le anomalie con il machine learning e creare simulazioni di ciò che servirebbe per riprodurre le super-tempeste che si verificano oggi. Essi possono amplificare queste simulazioni per replicare i casi più estremi nelle registrazioni storiche, consentendo lo sviluppo di modelli per evidenziare sottili precursori di grandi eventi meteorologici spaziali.

Secondo Janet Kozyra, eliofisico che guida questo progetto dalla sede della NASA a Washington, “la ricerca in eliofisica comporta il lavoro con molti strumenti, spesso in diversi osservatori spaziali o a Terra. Ci sono molti dati e fattori, come gli sfasamenti temporali, che aggiungono ulteriore complessità. Con Amazon e il machine learning possiamo prendere ogni singolo dato che abbiamo sulle super-tempeste e usare le anomalie che abbiamo rilevato per migliorare i modelli che prevedono e classificano efficacemente le super-tempeste”.

machine learning super-tempeste

La super-tempesta del 1989

Nel marzo 1989 accaddero strani fenomeni negli Stati Uniti e in Canada. La rete elettrica di Hydro-Quebec andò in tilt in 90 secondi. Una forte corrente elettrica attraversò la roccia superficiale rendendo impossibile ogni intervento. Più di 6 milioni di persone rimasero senza corrente per 9 ore. Allo stesso tempo, negli Stati Uniti furono riportati 200 casi di malfunzionamento della rete elettrica. Ancora più preoccupante è il fatto che il trasformatore di step-up della centrale nucleare di Salem, nel New Jersey, si guastò mandando fuori uso la centrale stessa. Queste interruzioni non furono causate da un terremoto, un gruppo terroristico o qualche altro evento terrestre, ma da una massiccia espulsione di massa coronale solare (CME), grande 36 volte le dimensioni della Terra.

Le super-tempeste come quella del marzo 1989 sono rare, si stima che si verifichino solo una volta ogni 50 anni. Gli esperti che studiano gli eventi estremi, come i super-vulcani o gli impatti di asteroidi, definiscono questi eventi a “bassa frequenza/alte conseguenze”.

 

FacebookTwitterLinkedIn