Schnelle, datengetriebene Vorhersage des Sonnenwinds mit Spherical Fourier Neural Operator
Der Sonnenwind, ein kontinuierlicher Strom geladener Teilchen aus der Sonnenkorona, prägt das Heliosphäre und beeinflusst Satelliten, Stromnetze und Kommunikationssysteme in der Nähe der Erde. Schwankungen wie Hochgeschwindigkeitsströmungen und koronale Massenauswürfe können diese Systeme stören, weshalb eine präzise Modellierung für die Vorhersage von Weltraumwetter unerlässlich ist.
Traditionell werden dafür dreidimensionale Magnetohydrodynamik‑Modelle (MHD) eingesetzt. Diese liefern zwar detaillierte Ergebnisse, sind jedoch rechenintensiv und erschweren die Untersuchung von Unsicherheiten in den Randbedingungen.
In der vorliegenden Arbeit wird ein Surrogatmodell entwickelt, das den stationären Sonnenwind mithilfe eines Spherical Fourier Neural Operator (SFNO) simuliert. Das SFNO nutzt neuronale Netze, um die komplexen räumlichen Strukturen des Sonnenwinds effizient zu erfassen.
Der Vergleich mit dem bereits bestehenden numerischen Surrogat HUX zeigt, dass das SFNO in mehreren Leistungskennzahlen gleichwertig oder sogar besser abschneidet. Während HUX Vorteile in der physikalischen Glattheit bietet, verdeutlicht dieser Befund die Notwendigkeit verbesserter Bewertungsmaßstäbe für solche Modelle.
Das SFNO ist flexibel, leicht trainierbar und ermöglicht Echtzeitvorhersagen. Mit zunehmender Datenmenge kann die Genauigkeit weiter gesteigert werden, was die praktische Anwendbarkeit für die Raumfahrt und die Energieversorgung erheblich verbessert.
Der Quellcode sowie weitere Visualisierungen sind unter https://github.com/rezmansouri/solarwind-sfno-velocity verfügbar.