Tecniche di Deep Learning per la previsione di brillamenti solari

Abstract

Questa trattazione si propone di esplorare tecniche avanzate di Machine Learning e Deep Learning applicate alla previsione dei brillamenti solari. Questi eventi, detti solar flares, sono forti esplosioni sulla superficie del Sole, caratterizzate da un rilascio improvviso di radiazione elettromagnetica, tra cui raggi X e radiazioni ultraviolette. I flares hanno origine dalle Active Regions (ARs), ma non tutte le ARs danno origine a tali eventi. Comprendere la probabilità di insorgenza di un flare è cruciale per prevenire i potenziali rischi associati a questi eventi, che possono danneggiare le infrastrutture terrestri e spaziali, causando danni economici e per la sicurezza. I flares sono classificati in base al picco di flusso di raggi X, utilizzando una scala logaritmica con classi A, B, C, M e X. L'interesse è principalmente rivolto alle classi M e X, poiché questi eventi possono causare espulsioni di massa coronale (CME), potenzialmente pericolose se dirette verso la Terra. Sebbene tali eventi siano i più significativi, questi sono piuttosto rari. Questo studio, dunque, si concentra su problemi di previsione multi-classe e binaria, affrontando il forte sbilanciamento tra le classi. Il Machine Learning e il Deep Learning sono riconosciuti come strumenti essenziali per la previsione di eventi solari. In particolare, utilizzeremo il modello Transformer, sviluppato per l'elaborazione del linguaggio naturale, adattato per la predizione su sequenze di dati. Studieremo anche la convergenza del Transformer in relazione al numero di parametri del modello, approfondendo il bias-variance trade-off e la double descent curve, che descrivono il comportamento dei modelli in funzione dei loro parametri. Infine, applicheremo il modello alla previsione dei flares, analizzando le performance al variare dello sbilanciamento delle classi. Nel caso binario, inoltre, utilizzeremo una loss function specifica per dataset sbilanciati, ottimizzando così la performance del modello.

This paper explores advanced Machine Learning and Deep Learning techniques to predict solar flares, which are powerful explosions on the Sun’s surface that suddenly release electromagnetic radiation, including X-rays and ultraviolet radiation. Solar flares originate from Active Regions (ARs), though not all ARs lead to such events. Understanding the likelihood of a flare is crucial to mitigating the potential risks associated with these events, as they can damage both terrestrial and space-based infrastructures, including power grids, communication satellites, and navigation systems. Solar flares are classified by their X-ray peak flux, using a logarithmic scale that includes classes A, B, C, M, and X. This study primarily focuses on predicting M and X-class flares, as these can cause coronal mass ejections (CMEs), which are particularly dangerous if Earth-directed. However, M and X-class flares are relatively rare. This study addresses both multi-class and binary classification problems in flare prediction, presenting a challenge in class imbalance for predictive models. Machine Learning and Deep Learning are essential tools for improving solar flare predictions. Specifically, this study will use the Transformer model, originally developed for natural language processing, and adapt it for sequential data prediction. The convergence of the Transformer will be examined in relation to the model’s number of parameters, with a focus on key concepts such as the bias-variance trade-off and the double descent curve, which describe model behavior as the number of parameters changes. The model will then be applied to solar flare prediction, with performance analyzed in relation to class imbalance. For the multi-class case, flare occurrence will be studied across three main categories (A/B, C, M/X), while in the binary classification case, the focus will be on predicting events of class ≥ M. A specific loss function will be used in the binary case to improve the handling of r