本文發表於《大眾科學》的前部落格網路，僅反映作者的觀點，不一定代表《大眾科學》的觀點。
幾個月前，太陽出現了過去 24 年來我們見過的最大太陽黑子。這個巨大的黑子，肉眼可見（即無需放大，但當然需要佩戴防護眼鏡），爆發了 100 多次耀斑。太陽黑子的數量呈週期性消長，每 11 年一個週期。目前，太陽正處於這個週期中最活躍的部分：我們預計未來幾個月會出現大量黑子和耀斑。
通常，媒體關注的是太陽耀斑的破壞性力量——即有一天，太陽上的巨大爆炸會將大量的能量粒子拋向我們，並燒燬我們的通訊衛星的可能性。但是，關於我們如何像天氣預報一樣預測這些東西，以便我們能夠預防任何潛在損害的報道卻很少。那麼，究竟該如何預測太陽耀斑呢？
一種方法是使用機器學習程式，這是一種人工智慧，可以從經驗中自動學習。這些演算法每次有新資料進來時都會逐步改進其數學模型。然而，為了正確學習，演算法需要大量資料。在 2010 年太陽動力學觀測臺 (SDO) 發射之前，科學家們缺乏任何如此規模的太陽資料。SDO 是一顆觀測太陽的衛星，每天下行鏈路約 1.5 TB 的資料——比 NASA 歷史上任何其他衛星的資料都多。探索一個互動圖形，顯示多年來在太陽上不同級別的耀斑被觀測到的位置：點選下圖。
關於支援科學新聞報道
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道： 訂閱。透過購買訂閱，您正在幫助確保未來能夠繼續講述關於塑造我們當今世界的發現和思想的具有影響力的故事。
太陽耀斑以其複雜性而聞名。它們發生在太陽大氣層中，位於表面太陽黑子的上方。太陽黑子通常成對出現，就像條形磁鐵一樣——即一個黑子像北極，另一個像南極。考慮到太陽黑子有很多，太陽的各個層以不同的速度旋轉，並且太陽本身有南北兩極，太陽大氣層中的磁場變得非常混亂。就像橡皮筋一樣，一個非常扭曲的磁場最終會斷裂——並在過程中釋放大量能量。這就是太陽耀斑。但有時扭曲的磁場不會爆發耀斑，有時耀斑來自看起來相當無害的太陽黑子，有時巨大的太陽黑子卻什麼也不做。
我們不理解太陽耀斑發生的物理機制。我們有一些想法——我們知道耀斑本質上肯定是磁性的——但我們並不真正知道它們是如何如此快速地釋放如此多能量的。在缺乏明確的物理理論的情況下，預測太陽耀斑的最佳希望在於仔細檢查我們龐大的資料集，從中尋找觀測線索。
預測太陽耀斑通常有兩種方法：數值模型和統計模型。在第一種情況下，我們採用我們已知的物理學原理，編寫方程，隨時間執行它們，並獲得預測。在第二種情況下，我們使用統計學。我們回答諸如以下問題：與與小太陽黑子相關的活動區相比，與巨大太陽黑子相關的活動區爆發耀斑的機率是多少？因此，我們構建大型資料集，其中包含各種特徵——例如太陽黑子的大小或其磁場強度——並尋找這些特徵與太陽耀斑之間的關係。
機器學習演算法可以為此提供幫助。我們在各處都使用機器學習演算法。生物識別手錶執行它們來預測我們應該何時醒來。它們在預測罕見遺傳疾病方面比醫生更優秀。它們識別出在整個歷史中影響了藝術家的繪畫作品。科學家們發現機器學習演算法非常有用，因為它們可以識別非線性模式——基本上是所有無法用直線表示的模式——這很難做到。但這很重要，因為很多模式都是非線性的。
我們已經使用機器學習演算法，利用 SDO 的龐大資料集來預測太陽耀斑。為此，我們首先構建了一個 SDO 觀測到的所有活動區的資料庫。由於這是歷史資料，我們已經知道這些活動區是否爆發過耀斑。然後，學習演算法分析活動區的特徵——例如太陽黑子的大小、與其相關的磁場強度以及這些磁力線的扭曲程度——以識別爆發耀斑的活動區的一般特徵。
為了做到這一點，演算法首先進行猜測。假設它的第一個猜測是，一個磁場微弱的小太陽黑子會產生巨大的耀斑。然後它檢查答案。哎呀，不對。然後演算法調整其猜測方式。下一次，它會做出不同的猜測。透過反覆試驗——以數十萬次的猜測和檢查的形式——演算法弄清楚哪些特徵對應於爆發耀斑的活動區。現在，我們有了一個自學演算法，可以將其應用於即時資料。
擴大這些努力可能有助於我們更好地預警即將到來的太陽耀斑。到目前為止，研究發現，機器學習演算法預測耀斑的效果優於，或者至少與數值或統計方法一樣好。這本身就是一個驚人的結果。這些演算法無需任何人工輸入，只需查詢資料中的模式即可執行，並且非常通用，以至於你可以使用相同的演算法（在不同的資料集上）來識別遺傳疾病，它們的表現可以與迄今為止用於預測太陽耀斑的任何其他方法一樣好。
如果我們有更多資料呢？誰知道呢。儘管我們已經有大量資料——SDO 已經運行了四年半——但在此期間並沒有出現大量耀斑。那是因為我們正處於本世紀最平靜的太陽活動週期。這更有理由繼續收集資料並讓演算法保持忙碌。