Neues KI-Modell liefert präzise Vorhersagen des Sonnenwinds
Der Sonnenwind, ein kontinuierlicher Strahl aus geladenen Teilchen, der die Heliosphäre formt und Weltraumsysteme in der Nähe der Erde beeinflusst, ist für die Vorhersage von Hochgeschwindigkeitsströmungen und koronalen Massenauswürfen von entscheidender Bedeutung. Traditionelle dreidimensionale Magnetohydrodynamik‑Modelle (MHD) liefern zwar genaue Ergebnisse, sind jedoch rechenintensiv und erschweren schnelle Untersuchungen von Randbedingungen.
In einer ersten Veröffentlichung präsentiert ein Team ein autoregressives Machine‑Learning‑Surrogat, das die radiale Geschwindigkeit des stationären Sonnenwinds mit dem Spherical Fourier Neural Operator (SFNO) vorhersagt. Das Modell berechnet zunächst einen begrenzten radialen Bereich und propagiert die Lösung anschließend iterativ nach außen. Dadurch wird die Genauigkeit in weiter entfernten Regionen deutlich verbessert, im Vergleich zu einem einmaligen Vorhersageansatz.
Im Vergleich zum numerischen HUX‑Surrogat zeigt der SFNO‑Ansatz gleichwertige oder sogar bessere Leistungen. Er bietet gleichzeitig die Flexibilität, trainiert werden kann und basiert vollständig auf Daten. Damit eröffnet das Verfahren eine neue, hochpräzise Methode für die Modellierung des Sonnenwinds, die sowohl effizient als auch anpassungsfähig ist.
Der Quellcode sowie zusätzliche Visualisierungen sind auf GitHub verfügbar: https://github.com/rezmansouri/solarwind-sfno-velocity-autoregressive.