La IA solar de NASA detecta regiones activas emergentes horas antes de que aparezcan

Investigadores de NASA llegaron a Google News con una afirmación llamativa: un modelo de IA detectó señales de advertencia de erupciones solares entre cinco y 29 horas antes. El modelo sí detectó cambios antes de que nuevas regiones activas se hicieran visibles. Sin embargo, no predijo directamente una llamarada solar ni una eyección de masa coronal.

Esa distinción cambia la forma en que debe entenderse la noticia. Las regiones activas son áreas magnéticamente complejas que pueden producir manchas solares, llamaradas y eyecciones de masa coronal. Predecir su aparición ofrece a los pronosticadores una visión más temprana de posibles problemas, pero no revela si ocurrirá una erupción.

El equipo de investigación utilizó observaciones del Solar Dynamics Observatory de NASA y una red de memoria a corto y largo plazo, conocida como LSTM. El modelo buscó patrones acústicos cambiantes bajo zonas aparentemente tranquilas del Sol. Sus resultados cuestionan los sistemas de predicción que empiezan a analizar el riesgo solo después de que las estructuras magnéticas se vuelven fáciles de observar.

El resultado es técnicamente interesante, pero aún no está listo para su uso operativo. Desplaza la ventana de observación hacia atrás, antes de que una mancha solar se haga evidente, pero se apoya en pruebas limitadas. Esa tensión importa más que el titular amplificado.

Lo que realmente predijo la IA solar de NASA

El modelo pronosticó la aparición visible de regiones activas solares, no las erupciones que esas regiones podrían producir posteriormente.

El estudio fue realizado por Spiridon Kasapis, Irina Kitiashvili, Alexander Kosovichev y John Stefan. Sus afiliaciones vinculan el trabajo con el NASA Ames Research Center y el New Jersey Institute of Technology.

El estudio sobre regiones activas, revisado por pares, apareció en Astrophysical Journal Supplement Series en octubre de 2025. Un manuscrito anterior había circulado públicamente desde septiembre de 2024.

Su objetivo era la intensidad del continuo, una medición de la luz visible procedente de la superficie solar. Las manchas solares parecen oscuras porque los campos magnéticos intensos suprimen el transporte convectivo normal de calor. Por tanto, predecir una futura disminución de intensidad ofrece una señal indirecta de que se está formando una región activa.

Eso es distinto de predecir una erupción. Una región recién emergida puede permanecer relativamente tranquila, producir llamaradas moderadas o generar grandes eventos de meteorología espacial. Su aparición establece una posible región de origen, no una explosión programada.

Los investigadores entrenaron redes neuronales recurrentes con observaciones de series temporales del Solar Dynamics Observatory. Una LSTM es una arquitectura de red neuronal diseñada para retener información relevante a lo largo de una secuencia. En este caso, la secuencia describía cómo cambiaban las mediciones solares con el tiempo.

El modelo recibió tres grandes tipos de datos de entrada. Las mediciones Doppler rastreaban el movimiento hacia o desde el observador. Las imágenes de continuo medían el brillo de la superficie, mientras que los magnetogramas registraban el campo magnético en la línea de visión.

El equipo transformó esas observaciones en secuencias de potencia acústica y flujo magnético. La potencia acústica describe la intensidad de las oscilaciones detectadas en distintos puntos del Sol. Los cambios en esas oscilaciones pueden revelar actividad antes de que el flujo magnético emergente produzca una característica superficial evidente.

El enfoque se parece a escuchar maquinaria detrás de una pared. El observador no puede ver la máquina, pero las vibraciones cambiantes pueden indicar que algo ha empezado a moverse. En el Sol, la convección turbulenta y las oscilaciones acústicas proporcionan ese movimiento oculto.

Trabajos anteriores reunieron observaciones de 61 regiones activas emergentes. Ese conjunto de datos ayudó a los investigadores a identificar patrones asociados con la transición de una fotosfera tranquila a una actividad magnética visible. El conjunto de datos de emergencia se diseñó específicamente para estudiar señales de alerta temprana.

El modelo posterior predijo valores de intensidad 12 horas hacia el futuro en cada paso de inferencia. Luego, los investigadores examinaron si su disminución de intensidad predicha cruzaba sus criterios de emergencia con suficiente antelación para proporcionar una advertencia.

La agregación de Google News comprimió ese proceso de múltiples capas en una afirmación sobre señales ocultas de erupciones. La simplificación es comprensible porque las regiones activas son el origen de muchas erupciones. Aun así, omite un paso esencial de la predicción.

El resumen preciso es más acotado. El aprendizaje automático respaldado por NASA detectó patrones asociados con la aparición de regiones activas antes de que estas quedaran visiblemente establecidas. Ese resultado puede respaldar la predicción de erupciones, pero no es en sí mismo una predicción de erupciones.

Por qué importa observar bajo el Sol visible

La investigación desplaza la atención de las estructuras magnéticas visibles hacia los movimientos más silenciosos que las preceden.

La mayor parte del análisis operativo se vuelve más informativo después de que una región ha aparecido. Los pronosticadores pueden entonces medir su tamaño, complejidad magnética, ritmo de crecimiento e historial reciente de llamaradas. Estas características observables ayudan a estimar la probabilidad de actividad posterior.

Este modelo plantea una pregunta anterior. ¿Pueden las dinámicas de una zona aparentemente tranquila revelar dónde emergerá flujo magnético antes de que se forme una mancha solar?

El Helioseismic and Magnetic Imager de NASA, o HMI, hace que esa pregunta sea comprobable. HMI observa continuamente el disco solar visible y mide intensidad, velocidad Doppler y campos magnéticos. Sus mediciones repetidas permiten a los investigadores seguir cambios sutiles en lugar de comparar instantáneas aisladas.

El instrumento opera a bordo del Solar Dynamics Observatory, lanzado en febrero de 2010. La misión estudia cómo se forma la actividad solar y cómo impulsa la meteorología espacial. Sus objetivos científicos incluyen explícitamente comprender la aparición de regiones activas y mejorar las predicciones.

La investigación se centró en mapas de potencia acústica derivados de observaciones Doppler de HMI. Las ondas acústicas solares interactúan con la convección turbulenta y las estructuras magnéticas. Por ello, sus cambios de potencia pueden actuar como un indicador indirecto de procesos que aún no son visualmente evidentes.

El modelo también utilizó flujo magnético e intensidad de continuo. Durante las detecciones tempranas exitosas, las regiones emergentes habían alcanzado solo entre el 4 % y el 9,6 % de su flujo magnético máximo final. La señal estaba presente mientras la mayor parte de la fuerza magnética posterior de la región seguía sin desarrollarse.

Ese hallazgo aporta el mecanismo central del estudio. La red no estaba identificando una mancha solar completa antes que un observador humano. Estaba reconociendo un patrón temporal asociado con una futura reducción del brillo superficial.

La distinción entre análisis temporal y estático importa. Una sola imagen puede mostrar si una ubicación parece inusual en ese momento. Una secuencia puede revelar si varias mediciones débiles se están moviendo juntas en una dirección reconocible.

Aquí es donde los modelos LSTM resultan útiles. Su mecanismo de memoria puede retener patrones de observaciones anteriores y reducir la importancia de fluctuaciones irrelevantes. Por tanto, el modelo puede aprender cómo evoluciona una región, en vez de tratar cada cuadro como un evento independiente.

NASA informó que su supercomputadora Pleiades procesó las observaciones de HMI y ejecutó las cargas de trabajo de aprendizaje automático. Un resumen de computación de 2024 describió una región activa detectada 18 horas antes de hacerse visible, sin un falso positivo en ese ejemplo.

Esa afirmación describe un hito del proyecto, no una garantía global de rendimiento. “Sin falsos positivos” se refería a la prueba destacada, no a todas las ubicaciones y momentos posibles en el Sol.

Aun así, la predicción temprana de regiones activas añadiría un tiempo de preparación útil. Los pronosticadores podrían centrar su atención en una ubicación en desarrollo antes de que los indicadores convencionales se vuelvan intensos. Los telescopios solares con campos de visión estrechos también podrían priorizar antes objetivos prometedores.

Los operadores de satélites no cambiarían inmediatamente sus operaciones porque podría emerger una región activa. Necesitan evidencia adicional sobre llamaradas, partículas energéticas o plasma dirigido hacia la Tierra. Sin embargo, una mayor anticipación puede iniciar una cadena más larga de monitoreo y evaluación de riesgos.

Por ello, la contribución del modelo está aguas arriba. No sustituye las predicciones de llamaradas, los modelos de eyecciones de masa coronal ni los pronósticos de tormentas geomagnéticas. Proporciona una ubicación candidata más temprana para que esos sistemas la vigilen.

La afirmación de Google News frente a una prueba de cinco regiones

La cifra más importante no es la advertencia de 29 horas, sino las cinco regiones no vistas utilizadas para las pruebas finales.

Los investigadores evaluaron sus modelos entrenados en cinco regiones activas excluidas del entrenamiento. La mejor configuración, denominada Modelo 8, predijo correctamente las cinco en una evaluación experimental.

Bajo una configuración operativa más estricta, predijo correctamente tres. Esas regiones fueron las regiones activas NOAA 11726, 13165 y 13179.

Los tiempos de anticipación reportados no fueron uniformes. El modelo identificó AR11726 aproximadamente 10 horas antes, AR13165 unas 29 horas antes y AR13179 unas cinco horas antes.

Estos resultados demuestran que existía información precursora útil en las secuencias registradas. No establecen un horizonte de advertencia estable que los pronosticadores puedan esperar para cada región futura.

El modelo también produjo un error cuadrático medio de raíz promedio de 0,11 para áreas activas y tranquilas en las variaciones probadas. El error cuadrático medio de raíz resume la diferencia típica entre los valores de intensidad predichos y observados. Los valores más bajos indican predicciones más cercanas bajo la normalización del estudio.

Esa métrica por sí sola no responde a la pregunta operativa. Un servicio de predicción debe identificar regiones emergentes sin inundar a los pronosticadores con falsas alarmas en grandes zonas tranquilas.

También debe funcionar con una geometría de observación cambiante. Las mediciones cerca del limbo solar, el borde aparente del disco, sufren efectos de proyección más intensos. Las condiciones del instrumento, las brechas de datos y las diferencias entre ciclos solares también pueden alterar las distribuciones de entrada.

Los resultados experimentales y operativos del estudio ilustran esta brecha. En el entorno experimental, los investigadores podían evaluar si las predicciones coincidían con comportamientos de emergencia conocidos bajo condiciones controladas. Una prueba operativa debe actuar más como una predicción real, con menos conocimiento sobre lo que ocurrirá después.

Tres éxitos de cinco casos reservados son prometedores para trabajo exploratorio. No bastan para declarar un sistema global de advertencia fiable. Una muestra pequeña puede verse fuertemente influida por las regiones seleccionadas, los umbrales y las definiciones de éxito.

También existe una distinción entre el horizonte de predicción y el tiempo de advertencia. La red fue entrenada para pronosticar la intensidad de continuo con 12 horas de anticipación. Los pronósticos repetidos y el momento en que se cruzaban los umbrales produjeron advertencias de emergencia reportadas de hasta 29 horas.

Eso no significa que la red generara un único pronóstico preciso a 29 horas de una mancha solar visible. Significa que sus predicciones en evolución cruzaron los criterios de emergencia de los investigadores con esa antelación respecto al tiempo de referencia.

La compresión de los titulares a menudo elimina esos detalles. Un lector que recorra Google News puede inferir fácilmente que el modelo anticipó una erupción peligrosa 29 horas antes de que ocurriera. El artículo subyacente respalda una conclusión más cautelosa.

El modelo anticipó la formación visible de una región activa 29 horas antes de su aparición registrada. Las regiones activas se asocian con un riesgo elevado de erupciones, pero el modelo no afirmó que esa región produciría una llamarada concreta.

La diferencia se parece a la formación de tormentas y a la predicción de tornados. Detectar un entorno en el que se desarrollará una tormenta es útil. No predice si esa tormenta generará un tornado, por dónde se desplazará ni a quién afectará.

Esa limitación no hace que el trabajo sea poco importante. Las cadenas de pronóstico mejoran cuando sus etapas iniciales comienzan antes. Sin embargo, cada etapa necesita una validación independiente frente al resultado que afirma predecir.

La evidencia más sólida del estudio se refiere a la aparición de regiones activas. Las afirmaciones sobre erupciones solares siguen siendo implicaciones posteriores que los futuros sistemas deberán probar directamente.

La detección temprana de emergencias pone presión sobre los flujos de trabajo de pronóstico existentes

Una señal fiable previa a la emergencia obligaría a los pronósticos del clima espacial a vigilar regiones tranquilas, no solo las regiones activas visibles.

Los flujos de trabajo actuales ya combinan análisis humano, mediciones físicas, métodos estadísticos y aprendizaje automático. Una vez que aparece una región activa, los pronosticadores pueden evaluar la complejidad magnética y la actividad previa.

La predicción previa a la emergencia cambia el punto de inicio de ese proceso. Dirige los recursos computacionales y de observación hacia ubicaciones que aún parecen tranquilas en las imágenes de intensidad convencionales.

La presión inmediata recae sobre las canalizaciones de datos. Un modelo de investigación puede procesar observaciones cuidadosamente preparadas después de un evento. Un servicio operativo debe recibir, calibrar y analizar datos de todo el disco de forma continua.

HMI genera mediciones de todo el Sol visible a intervalos regulares. Los productos públicos SHARP de NASA, que significan Space-weather HMI Active Region Patches, agrupan información magnética y de intensidad alrededor de regiones ya identificadas.

El objetivo del modelo se sitúa en parte antes de que exista ese parche. Un sistema de producción tendría que explorar mosaicos del Sol tranquilo, mantener sus historiales y actualizar las probabilidades de emergencia a medida que lleguen nuevas observaciones.

Eso plantea un problema de desequilibrio de clases. En cualquier momento, la mayoría de las ubicaciones candidatas no producirá una región activa grande. Incluso una tasa baja de falsos positivos puede generar muchas alertas cuando se aplica a todo el disco y a numerosos intervalos temporales.

Por tanto, los diseñadores de pronósticos deben evaluar conjuntamente la precisión, la cobertura, la tasa de falsas alarmas y el tiempo de aviso. Maximizar el tiempo de anticipación no basta si las alertas se vuelven demasiado frecuentes como para confiar en ellas.

Los investigadores también deben decidir qué significa una alerta. Podría señalar una disminución prevista de intensidad, una probable emergencia de flujo magnético o una región activa con designación NOAA probable. Estos resultados se superponen, pero no son intercambiables.

El enfoque compite menos con una empresa que con una secuencia observacional convencional. Los flujos de trabajo tradicionales esperan evidencia magnética clara en la superficie y luego estiman el riesgo de fulguraciones. La nueva vía intenta identificar una fuente en desarrollo antes de que esa evidencia emerja por completo.

Este es el principal contrincante del artículo: la inferencia acústica temprana frente a la monitorización de regiones visibles. El nuevo modelo amplía la primera vía, pero todavía depende de la segunda para su confirmación.

Otros proyectos de aprendizaje automático abordan etapas posteriores. Algunos clasifican si regiones activas ya establecidas producirán fulguraciones. Otros estiman si una fulguración irá acompañada de una eyección de masa coronal o producirá partículas energéticas.

Estos sistemas suelen utilizar parámetros SHARP, magnetogramas o historiales de rayos X después de que la actividad relevante sea medible. Responden preguntas más cercanas al peligro final, pero por lo general comienzan más tarde en la secuencia física.

El modelo de NASA Ames se adelanta, al tiempo que acepta una mayor incertidumbre sobre el resultado final. Una región puede emerger sin generar un evento dañino. Cuanto antes comienza el pronóstico, más posibilidades de ramificación permanecen.

Ese equilibrio debería orientar el diseño operativo. Una alerta previa a la emergencia pertenece a un sistema de priorización de atención, no a una orden automática de apagado para naves espaciales o infraestructuras.

Por ejemplo, una alerta podría pedir a los observatorios que preserven datos de mayor cadencia para una ubicación. También podría activar ejecuciones adicionales del modelo a medida que se fortalece el flujo magnético. La evidencia posterior determinaría si la situación merece una advertencia operativa.

Esta respuesta escalonada se asemeja a la detección de anomalías en otros sistemas técnicos. Una señal temprana abre una investigación. No establece de forma independiente la gravedad ni la causa de la anomalía.

El modelo también podría mejorar la observación científica. Los instrumentos solares de alta resolución no siempre pueden monitorizar todas las ubicaciones prometedoras a la vez. Una selección más temprana aumentaría la probabilidad de captar todo el proceso de formación.

Las secuencias completas son valiosas porque las erupciones solares siguen siendo difíciles de explicar. Los investigadores necesitan observaciones desde antes de la emergencia, pasando por la evolución magnética y, en ocasiones, hasta la erupción. Perder la primera etapa limita el análisis causal.

Por ello, el valor práctico podría llegar primero a las operaciones de investigación. Una mejor selección de instrumentos y recopilación de datos podría preceder a cualquier producto de pronóstico público.

Lo que los resultados aún no pueden establecer

El modelo no ha demostrado que sus patrones precursores se generalicen a todo el Sol, múltiples instrumentos y un ciclo solar completo.

Cinco regiones activas no observadas previamente proporcionan una prueba inicial, no una referencia operativa representativa. Las regiones solares difieren en tamaño, latitud, estructura magnética, ritmo de crecimiento y ángulo de observación.

Un modelo puede funcionar bien en un pequeño conjunto reservado y, aun así, tener dificultades cuando cambian las condiciones. Este problema, denominado cambio de distribución, ocurre cuando las entradas operativas difieren de los datos de entrenamiento.

La actividad solar sigue por sí misma un ciclo de aproximadamente 11 años. Las observaciones cerca del máximo de actividad contienen entornos magnéticos más abarrotados y complejos que las observaciones cerca del mínimo. La validación debería cubrir ambas condiciones.

Los investigadores también necesitan conjuntos de control más amplios del Sol tranquilo. Un modelo de emergencia debe distinguir los precursores genuinos de la variabilidad acústica ordinaria en muchas ubicaciones que nunca desarrollan una actividad magnética notable.

Los falsos positivos merecen una atención particular. Un estudio científico de caso puede destacar una advertencia exitosa. Un pronosticador operativo necesita conocer el número de alertas incorrectas producidas mientras busca ese éxito.

El resumen de computación de NASA destacó una detección con 18 horas de antelación sin falsos positivos. El artículo revisado por pares ofrece evidencia metodológica más amplia, pero no convierte ese ejemplo en una afirmación universal de ausencia de falsas alarmas.

La reproducibilidad es otro requisito. Equipos independientes deberían aplicar el método a secuencias HMI comparables utilizando preprocesamiento, mosaicos, umbrales y reglas de evaluación documentados.

La fuente de observación subyacente está bien establecida. El conjunto de datos SHARP de NASA contiene campos magnéticos vectoriales, campos en línea de visión, intensidad del continuo, velocidad Doppler y productos relacionados.

Sin embargo, una fuente de datos compartida no garantiza resultados comparables. Las decisiones sobre normalización, ventanas temporales, etiquetas de regiones activas y controles tranquilos pueden afectar considerablemente al rendimiento del modelo.

La interpretabilidad del modelo también sigue siendo limitada. Los investigadores vincularon sus predicciones con cambios en la potencia acústica, pero un LSTM no explica automáticamente qué proceso físico causó cada predicción.

Un sistema científico útil debería mostrar dónde y cuándo aparecieron las señales influyentes. También debería distinguir los precursores acústicos de los artefactos instrumentales o de patrones correlacionados con las etiquetas.

La validación informada por la física puede ayudar. Los investigadores pueden comparar las regiones de alta relevancia del modelo con simulaciones de flujo magnético ascendente y firmas heliosísmicas conocidas. La concordancia reforzaría la interpretación física.

Las pruebas entre instrumentos también serían valiosas. HMI ofrece un registro largo y consistente, pero los futuros sistemas operativos no pueden asumir que un único instrumento seguirá disponible indefinidamente. Un método portátil necesita un comportamiento estable entre sensores de sustitución o complementarios.

Lo más importante es que la emergencia de regiones activas es solo un eslabón de la cadena de peligros. Los siguientes eslabones incluyen la producción de fulguraciones, la dirección de las eyecciones de masa coronal, la aceleración de partículas energéticas y la interacción con el campo magnético de la Tierra.

Los errores se acumulan a lo largo de esa cadena. Una alerta temprana sobre una región puede ser correcta mientras que un pronóstico posterior de erupción es erróneo. Una predicción de fulguración también puede ser correcta mientras que el evento representa poco riesgo para la Tierra.

Por tanto, la orientación del título del artículo exagera lo que se ha establecido. “Señales de erupciones solares” sugiere evidencia vinculada directamente a erupciones. La señal verificada estaba relacionada con regiones activas emergentes que pueden convertirse en fuentes de erupciones.

No se trata solo de cautela semántica. Los usuarios actúan de forma distinta ante una alerta de región fuente y ante un pronóstico de peligro. Los operadores de satélites, planificadores de redes eléctricas y servicios de aviación necesitan probabilidades calibradas vinculadas a impactos específicos.

Para los lectores que siguen las afirmaciones sobre IA a través de Google News, la lección es más amplia. La variable objetivo de un modelo importa tanto como su precisión. Predecir un precursor no equivale a predecir todos los eventos posteriores asociados con ese precursor.

Tres señales mostrarán si el modelo puede volverse operativo

La siguiente fase debe demostrar escala, controlar las falsas alarmas y conectar las advertencias tempranas de emergencia con peligros posteriores.

La primera señal es una prueba prospectiva mucho más amplia. Los investigadores deberían ejecutar el modelo con observaciones entrantes sin seleccionar de antemano casos de emergencia conocidos.

Una evaluación prospectiva registraría cada alerta, cada región activa no detectada y cada ubicación tranquila señalada incorrectamente. Debería abarcar tiempo suficiente para incluir condiciones solares y geometrías de observación cambiantes.

El éxito significaría que el resultado de cinco regiones sobrevive a una prueba realista de todo el disco. El fracaso sugeriría que los casos originales captaron un patrón más limitado de lo que implicaba el titular.

La segunda señal es un análisis transparente de falsas alarmas. Los investigadores deberían publicar la precisión, la cobertura, las distribuciones de tiempo de aviso y las falsas alarmas por período de observación.

Un sistema de alertas debe mostrar si tiempos de anticipación más largos se logran a costa de una menor fiabilidad. Ese equilibrio determina si los pronosticadores pueden integrar el modelo sin añadir ruido que distraiga.

Una referencia útil también debería separar las emergencias pequeñas de las regiones grandes relevantes para el clima espacial. Detectar correctamente muchas regiones débiles puede aumentar la precisión global sin mejorar la preparación para eventos con consecuencias importantes.

La tercera señal es la integración con modelos posteriores de fulguraciones y erupciones. Una advertencia previa a la emergencia se vuelve más valiosa si las mediciones posteriores actualizan el riesgo evolutivo de la misma región.

Ese sistema integrado podría comenzar con evidencia acústica, añadir el crecimiento del flujo magnético y luego incorporar la complejidad del campo o el historial de fulguraciones. Cada etapa refinaría la probabilidad en lugar de tratar la primera alerta como una respuesta definitiva.

Dicha integración reforzaría la afirmación central si mejora el tiempo de aviso sin degradar la calibración. La debilitaría si las alertas tempranas aportan poco más allá de los pronósticos realizados después de la emergencia visible.

No es necesario esperar a un sistema perfecto de extremo a extremo antes de utilizar la investigación. Los observatorios pueden probar una selección temprana, y los científicos pueden recopilar ahora secuencias de emergencia más completas.

La comunicación pública necesita mayor disciplina. Un titular de Google News puede hacer que “predecir un precursor” suene como “predecir una erupción”. Los lectores deberían comprobar la salida real del modelo, la muestra de evaluación y la definición operativa.

El resultado subyacente sigue mereciendo seguimiento. Una red neuronal identificó señales en evolución mientras las regiones activas seguían mayormente ocultas, incluidos tres casos operativamente exitosos con tiempos de anticipación de cinco a 29 horas.

La pregunta abierta ya no es si esas señales existen en observaciones seleccionadas. Es si se repiten de forma fiable en todo el Sol y mejoran los pronósticos que importan a las personas y las máquinas.

Esté atento a pruebas prospectivas a gran escala, estadísticas completas de falsos positivos y enlaces a probabilidades de erupción posteriores. Esos tres resultados determinarán si esta noticia de Google News supone un avance operativo o un prometedor hito de investigación.