L'AI solare della NASA rileva le regioni attive emergenti ore prima che compaiano

I ricercatori della NASA sono finiti su Google News con un'affermazione accattivante: un modello di AI avrebbe individuato segnali d'allarme di eruzioni solari con un anticipo compreso tra cinque e 29 ore. Il modello ha effettivamente rilevato cambiamenti prima che nuove regioni attive diventassero visibili. Tuttavia, non ha previsto direttamente un brillamento solare o un'espulsione di massa coronale.

Questa distinzione cambia il modo in cui la notizia va interpretata. Le regioni attive sono aree magneticamente complesse che possono produrre macchie solari, brillamenti ed espulsioni di massa coronale. Prevederne l'emergere offre ai previsori una visione anticipata di possibili problemi, ma non indica se si verificherà un'eruzione.

Il team di ricerca ha utilizzato osservazioni del Solar Dynamics Observatory della NASA e una rete long short-term memory, nota come LSTM. Il modello ha cercato schemi acustici in cambiamento sotto aree apparentemente tranquille del Sole. I risultati mettono in discussione i sistemi di previsione che iniziano ad analizzare il rischio solo dopo che le strutture magnetiche diventano facilmente visibili.

Il risultato è tecnicamente interessante ma ancora incompleto sul piano operativo. Sposta indietro la finestra di osservazione, prima che una macchia solare diventi evidente, ma si basa su test limitati. Questa tensione conta più del titolo amplificato.

Cosa ha effettivamente previsto l'AI solare della NASA

Il modello ha previsto l'emergere visibile di regioni attive solari, non le eruzioni che tali regioni avrebbero potuto produrre in seguito.

Lo studio è stato realizzato da Spiridon Kasapis, Irina Kitiashvili, Alexander Kosovichev e John Stefan. Le loro affiliazioni collegano il lavoro al NASA Ames Research Center e al New Jersey Institute of Technology.

Lo studio sulle regioni attive, sottoposto a revisione paritaria, è apparso nell'Astrophysical Journal Supplement Series nell'ottobre 2025. Un manoscritto precedente circolava pubblicamente dal settembre 2024.

Il suo obiettivo era l'intensità del continuo, una misura della luce visibile proveniente dalla superficie solare. Le macchie solari appaiono scure perché forti campi magnetici sopprimono il normale trasporto convettivo di calore. Prevedere una futura diminuzione dell'intensità offre quindi un segnale indiretto della formazione di una regione attiva.

Questo è diverso dal prevedere un'eruzione. Una regione appena emersa può rimanere relativamente tranquilla, produrre brillamenti modesti o generare importanti eventi di meteorologia spaziale. La sua comparsa stabilisce una possibile regione sorgente, non un'esplosione programmata.

I ricercatori hanno addestrato reti neurali ricorrenti su osservazioni in serie temporali del Solar Dynamics Observatory. Una LSTM è un'architettura di rete neurale progettata per mantenere informazioni rilevanti lungo una sequenza. In questo caso, la sequenza descriveva come le misurazioni solari cambiavano nel tempo.

Il modello ha ricevuto tre grandi tipi di input. Le misurazioni Doppler tracciavano il movimento verso o lontano dall'osservatore. Le immagini del continuo misuravano la luminosità della superficie, mentre i magnetogrammi registravano il campo magnetico lungo la linea di vista.

Il team ha trasformato tali osservazioni in sequenze di potenza acustica e flusso magnetico. La potenza acustica descrive l'intensità delle oscillazioni rilevate in diverse posizioni sul Sole. I cambiamenti di queste oscillazioni possono rivelare attività prima che il flusso magnetico emergente produca una caratteristica evidente in superficie.

L'approccio ricorda l'ascolto di un macchinario dietro una parete. L'osservatore non può vedere la macchina, ma vibrazioni in cambiamento possono segnalare che qualcosa ha iniziato a muoversi. Sul Sole, la convezione turbolenta e le oscillazioni acustiche forniscono il movimento nascosto.

Un lavoro precedente aveva raccolto osservazioni di 61 regioni attive emergenti. Quel dataset ha aiutato i ricercatori a identificare schemi associati alla transizione dalla fotosfera tranquilla ad attività magnetica visibile. Il dataset sulle emergenze è stato progettato specificamente per studiare segnali di allerta precoce.

Il modello successivo prevedeva valori di intensità 12 ore nel futuro durante ogni passaggio di inferenza. I ricercatori hanno poi esaminato se il calo di intensità previsto superasse i loro criteri di emergenza abbastanza presto da fornire un avviso.

L'aggregazione di Google News ha compresso questo processo multilivello in un'affermazione su segnali nascosti di eruzione. La semplificazione è comprensibile perché le regioni attive sono i luoghi di origine di molte eruzioni. Tuttavia, salta un passaggio essenziale della previsione.

Il riepilogo accurato è più circoscritto. Il machine learning sostenuto dalla NASA ha rilevato schemi associati all'emergere di regioni attive prima che queste si stabilissero visibilmente. Il risultato può supportare la previsione delle eruzioni, ma non costituisce di per sé una previsione di eruzione.

Perché è importante osservare sotto il Sole visibile

La ricerca sposta l'attenzione dalle strutture magnetiche visibili ai movimenti più tranquilli che le precedono.

La maggior parte delle analisi operative diventa più informativa dopo la comparsa di una regione. I previsori possono quindi misurarne dimensioni, complessità magnetica, tasso di crescita e recente storia dei brillamenti. Queste caratteristiche osservabili aiutano a stimare la probabilità di attività successiva.

Questo modello pone una domanda precedente. Le dinamiche di una zona apparentemente tranquilla possono rivelare dove emergerà il flusso magnetico prima che si formi una macchia solare?

L'Helioseismic and Magnetic Imager della NASA, o HMI, rende questa domanda verificabile. HMI osserva continuamente il disco solare visibile e misura intensità, velocità Doppler e campi magnetici. Le sue misurazioni ripetute consentono ai ricercatori di seguire cambiamenti sottili anziché confrontare istantanee isolate.

Lo strumento opera a bordo del Solar Dynamics Observatory, lanciato nel febbraio 2010. La missione studia come si forma l'attività solare e come guida la meteorologia spaziale. I suoi obiettivi scientifici includono esplicitamente la comprensione dell'emergere delle regioni attive e il miglioramento delle previsioni.

La ricerca si è concentrata su mappe di potenza acustica derivate dalle osservazioni Doppler di HMI. Le onde acustiche solari interagiscono con la convezione turbolenta e le strutture magnetiche. La loro potenza variabile può quindi fungere da indicatore di processi che non sono ancora visivamente evidenti.

Il modello ha utilizzato anche flusso magnetico e intensità del continuo. Durante le rilevazioni precoci riuscite, le regioni emergenti avevano raggiunto soltanto dal 4% al 9,6% del loro eventuale flusso magnetico massimo. Il segnale era presente mentre gran parte della futura forza magnetica della regione rimaneva ancora non sviluppata.

Questa scoperta fornisce il meccanismo centrale dello studio. La rete non stava identificando una macchia solare completa prima di un osservatore umano. Stava riconoscendo uno schema temporale associato a una futura riduzione della luminosità superficiale.

La distinzione tra analisi temporale e statica è importante. Una singola immagine può mostrare se una posizione appare insolita in quel momento. Una sequenza può rivelare se diverse misurazioni deboli si stanno muovendo insieme in una direzione riconoscibile.

È qui che i modelli LSTM sono utili. Il loro meccanismo di memoria può conservare schemi nelle osservazioni precedenti e ridurre l'importanza delle fluttuazioni irrilevanti. Il modello può quindi apprendere come evolve una regione, anziché trattare ogni fotogramma come un evento indipendente.

La NASA ha riferito che il suo supercomputer Pleiades ha elaborato le osservazioni HMI ed eseguito i carichi di lavoro di machine learning. Un riepilogo informatico del 2024 ha descritto una regione attiva rilevata 18 ore prima di diventare visibile, senza un falso positivo in quell'esempio.

Questa affermazione descrive un traguardo del progetto, non una garanzia di prestazione globale. “Senza falsi positivi” si riferiva al test evidenziato, non a ogni possibile posizione e momento sull'intero Sole.

Ciononostante, la previsione precoce delle regioni attive aggiungerebbe tempo utile per la preparazione. I previsori potrebbero concentrare l'attenzione su una posizione in sviluppo prima che gli indicatori convenzionali diventino forti. Anche i telescopi solari con campi visivi ristretti potrebbero dare priorità prima a obiettivi promettenti.

Gli operatori satellitari non modificherebbero immediatamente le operazioni solo perché potrebbe emergere una regione attiva. Hanno bisogno di ulteriori prove relative a brillamenti, particelle energetiche o plasma diretto verso la Terra. Tuttavia, una consapevolezza anticipata può avviare una catena più lunga di monitoraggio e valutazione del rischio.

Il contributo del modello è quindi a monte. Non sostituisce le previsioni dei brillamenti, i modelli di espulsione di massa coronale o le previsioni delle tempeste geomagnetiche. Fornisce una posizione candidata più precoce che questi sistemi possono monitorare.

L'affermazione di Google News incontra un test su cinque regioni

Il numero più importante non è l'avviso di 29 ore, ma le cinque regioni non osservate utilizzate per i test finali.

I ricercatori hanno valutato i modelli addestrati su cinque regioni attive escluse dall'addestramento. La configurazione migliore, chiamata Model 8, ha previsto con successo tutte e cinque in una valutazione sperimentale.

In una configurazione operativa più rigorosa, ne ha previste con successo tre. Si trattava delle regioni attive NOAA 11726, 13165 e 13179.

I tempi di anticipo riportati non erano uniformi. Il modello ha identificato AR11726 con circa 10 ore di anticipo, AR13165 con circa 29 ore e AR13179 con circa cinque ore.

Questi risultati dimostrano che nelle sequenze registrate erano presenti informazioni precursori utili. Non stabiliscono un orizzonte di avviso stabile che i previsori possano attendersi per ogni futura regione.

Il modello ha anche prodotto un errore quadratico medio di 0,11 per aree attive e tranquille nelle variazioni testate. L'errore quadratico medio riassume la differenza tipica tra valori di intensità previsti e osservati. Valori più bassi indicano previsioni più vicine secondo la normalizzazione dello studio.

Questa metrica da sola non risponde alla domanda operativa. Un servizio di previsione deve identificare regioni emergenti senza inondare i previsori di falsi allarmi in vaste aree tranquille.

Deve inoltre funzionare con geometrie di osservazione variabili. Le misurazioni vicino al lembo solare, il bordo apparente del disco, subiscono effetti di proiezione più forti. Anche le condizioni strumentali, le lacune nei dati e le differenze tra cicli solari possono alterare le distribuzioni degli input.

I risultati sperimentali e operativi dello studio illustrano questo divario. Nel contesto sperimentale, i ricercatori potevano valutare se le previsioni corrispondessero a comportamenti di emergenza noti in condizioni controllate. Un test operativo deve agire più come una previsione reale, con minori conoscenze su ciò che accadrà in seguito.

Tre successi su cinque casi esclusi sono promettenti per un lavoro esplorativo. Non sono sufficienti per dichiarare un sistema di avviso globale affidabile. Un campione ridotto può essere fortemente influenzato dalle regioni selezionate, dalle soglie e dalle definizioni di successo.

Esiste anche una distinzione tra orizzonte di previsione e tempo di avviso. La rete è stata addestrata a prevedere l'intensità del continuo con 12 ore di anticipo. Previsioni ripetute e il momento in cui venivano superate le soglie hanno prodotto avvisi di emergenza riportati fino a 29 ore prima.

Ciò non significa che la rete abbia generato una singola previsione precisa a 29 ore di una macchia solare visibile. Significa che le sue previsioni in evoluzione hanno superato i criteri di emergenza dei ricercatori con tale anticipo rispetto al momento di riferimento.

La compressione dei titoli spesso elimina questi dettagli. Un lettore che scorre Google News può facilmente dedurre che il modello abbia anticipato una pericolosa eruzione 29 ore prima che si verificasse. Il paper sottostante supporta una conclusione più cauta.

Il modello ha anticipato la formazione visibile di una regione attiva 29 ore prima della sua emergenza registrata. Le regioni attive sono associate a un rischio elevato di eruzioni, ma il modello non ha affermato che quella regione avrebbe prodotto un particolare brillamento.

La differenza ricorda la formazione delle tempeste e la previsione dei tornado. Rilevare un ambiente in cui si svilupperà una tempesta è utile. Non consente di prevedere se quella tempesta genererà un tornado, dove passerà il tornado o chi colpirà.

Questo limite non rende il lavoro poco importante. Le catene di previsione migliorano quando le loro fasi iniziali cominciano prima. Tuttavia, ogni fase richiede una validazione separata rispetto all’esito che afferma di prevedere.

Le prove più solide dello studio riguardano l’emersione delle regioni attive. Le affermazioni sulle eruzioni solari restano implicazioni a valle che i sistemi futuri dovranno verificare direttamente.

Il rilevamento precoce dell’emersione mette sotto pressione gli attuali flussi di lavoro previsionali

Un segnale affidabile di pre-emersione costringerebbe le previsioni di meteorologia spaziale a monitorare le regioni tranquille, non soltanto quelle attive visibili.

I flussi di lavoro attuali combinano già analisi umana, misurazioni fisiche, metodi statistici e machine learning. Una volta comparsa una regione attiva, i previsori possono valutarne la complessità magnetica e l’attività precedente.

La previsione della pre-emersione cambia il punto di partenza di questo processo. Indirizza risorse computazionali e osservative verso località che appaiono ancora tranquille nelle normali immagini di intensità.

La pressione immediata ricade sulle pipeline di dati. Un modello di ricerca può elaborare osservazioni preparate con cura dopo un evento. Un servizio operativo deve ricevere, calibrare e analizzare continuamente dati dell’intero disco.

HMI genera misurazioni dell’intero Sole visibile a intervalli regolari. I prodotti pubblici SHARP della NASA, ovvero Space-weather HMI Active Region Patches, raccolgono informazioni magnetiche e di intensità attorno a regioni già identificate.

L’obiettivo del modello si colloca in parte prima che quella patch esista. Un sistema in produzione dovrebbe analizzare le tessere del Sole tranquillo, conservarne le cronologie e aggiornare le probabilità di emersione man mano che arrivano nuove osservazioni.

Questo solleva un problema di squilibrio tra classi. In ogni momento, la maggior parte delle località candidate non produrrà una grande regione attiva. Persino un basso tasso di falsi positivi può generare molti avvisi se applicato all’intero disco e a numerosi intervalli temporali.

I progettisti di previsioni devono quindi valutare insieme precisione, richiamo, tasso di falsi allarmi e tempo di preavviso. Massimizzare l’anticipo non basta se gli avvisi diventano troppo frequenti per essere affidabili.

I ricercatori devono anche scegliere che cosa significhi un avviso. Potrebbe segnalare un previsto calo di intensità, una probabile emersione di flusso magnetico o una probabile regione attiva designata dalla NOAA. Questi esiti si sovrappongono, ma non sono intercambiabili.

L’approccio compete meno con una singola azienda che con una sequenza osservativa convenzionale. I flussi di lavoro tradizionali attendono evidenze magnetiche di superficie chiare, quindi stimano il rischio di flare. Il nuovo percorso prova a individuare una sorgente in sviluppo prima che tali evidenze emergano completamente.

Questo è il principale avversario dell’articolo: l’inferenza acustica precoce contro il monitoraggio delle regioni visibili. Il nuovo modello estende il primo approccio, ma dipende ancora dal secondo per la conferma.

Altri progetti di machine learning affrontano fasi successive. Alcuni classificano se regioni attive consolidate produrranno flare. Altri stimano se un flare sarà accompagnato da un’espulsione di massa coronale o produrrà particelle energetiche.

Questi sistemi usano spesso parametri SHARP, magnetogrammi o cronologie dei raggi X dopo che l’attività rilevante è misurabile. Rispondono a domande più vicine al pericolo finale, ma di solito iniziano più tardi nella sequenza fisica.

Il modello NASA Ames si sposta più indietro nella sequenza, accettando una maggiore incertezza sull’esito finale. Una regione può emergere senza generare un evento dannoso. Quanto prima inizia la previsione, tanto più numerose restano le possibilità di diramazione.

Questo compromesso dovrebbe guidare la progettazione operativa. Un avviso di pre-emersione appartiene a un sistema di prioritizzazione dell’attenzione, non a un comando automatico di spegnimento per veicoli spaziali o infrastrutture.

Per esempio, un avviso potrebbe chiedere agli osservatori di conservare dati a cadenza più elevata per una località. Potrebbe inoltre attivare ulteriori esecuzioni del modello mentre il flusso magnetico si rafforza. Le prove successive determinerebbero se la situazione merita un avvertimento operativo.

Questa risposta a livelli ricorda il rilevamento delle anomalie in altri sistemi tecnici. Un segnale precoce avvia un’indagine. Non stabilisce autonomamente la gravità o la causa dell’anomalia.

Il modello potrebbe anche migliorare l’osservazione scientifica. Gli strumenti solari ad alta risoluzione non possono sempre monitorare contemporaneamente ogni località promettente. Un puntamento più precoce aumenterebbe la probabilità di catturare l’intero processo di formazione.

Le sequenze complete sono preziose perché le eruzioni solari restano difficili da spiegare. I ricercatori necessitano di osservazioni che vadano da prima dell’emersione, attraverso l’evoluzione magnetica e, talvolta, fino all’eruzione. Perdere la prima fase limita l’analisi causale.

Il valore pratico potrebbe quindi arrivare prima nelle operazioni di ricerca. Un migliore puntamento degli strumenti e una migliore raccolta dei dati potrebbero precedere qualsiasi prodotto di previsione pubblico.

Ciò che i risultati non possono ancora stabilire

Il modello non ha dimostrato che i suoi schemi precursori siano generalizzabili all’intero Sole, a più strumenti e a un intero ciclo solare.

Cinque regioni attive non osservate in precedenza forniscono un test iniziale, non un benchmark operativo rappresentativo. Le regioni solari differiscono per dimensione, latitudine, struttura magnetica, velocità di crescita e angolo di osservazione.

Un modello può funzionare bene su un piccolo insieme di test separato, ma avere difficoltà quando le condizioni cambiano. Questo problema, chiamato distribution shift, si verifica quando gli input operativi differiscono dai dati di addestramento.

L’attività solare stessa segue un ciclo di circa 11 anni. Le osservazioni vicino al massimo di attività contengono ambienti magnetici più affollati e complessi rispetto a quelle vicino al minimo. La validazione dovrebbe coprire entrambe le condizioni.

I ricercatori necessitano inoltre di insiemi di controllo del Sole tranquillo più ampi. Un modello di emersione deve distinguere i precursori autentici dalla normale variabilità acustica in molte località che non sviluppano mai attività magnetica rilevante.

I falsi positivi meritano particolare attenzione. Un caso di studio scientifico può evidenziare un avviso riuscito. Un previsore operativo ha bisogno di conoscere il numero di avvisi errati prodotti durante la ricerca di quel successo.

Il riepilogo NASA sul calcolo ha evidenziato un rilevamento con 18 ore di anticipo senza falsi positivi. L’articolo sottoposto a revisione paritaria fornisce prove metodologiche più ampie, ma non trasforma quell’esempio in un’affermazione universale di assenza di falsi allarmi.

La riproducibilità è un altro requisito. Team indipendenti dovrebbero applicare il metodo a sequenze HMI comparabili usando pre-elaborazione, suddivisione in tessere, soglie e regole di valutazione documentate.

La fonte di osservazione sottostante è ben consolidata. Il dataset SHARP della NASA contiene campi magnetici vettoriali, campi lungo la linea di vista, intensità del continuo, velocità Doppler e prodotti correlati.

Tuttavia, una fonte dati condivisa non garantisce risultati comparabili. Le scelte relative a normalizzazione, finestre temporali, etichette delle regioni attive e controlli delle aree tranquille possono influenzare fortemente le prestazioni del modello.

Anche l’interpretabilità del modello resta limitata. I ricercatori hanno collegato le sue previsioni a cambiamenti nella potenza acustica, ma un LSTM non spiega automaticamente quale processo fisico abbia causato ogni previsione.

Un sistema scientifico utile dovrebbe mostrare dove e quando sono comparsi i segnali influenti. Dovrebbe inoltre distinguere i precursori acustici dagli artefatti strumentali o da schemi correlati alle etichette.

La validazione informata dalla fisica può aiutare. I ricercatori possono confrontare le regioni ad alta salienza del modello con simulazioni di flusso magnetico in risalita e firme eliosismiche note. L’accordo rafforzerebbe l’interpretazione fisica.

Sarebbe utile anche il test su più strumenti. HMI offre una lunga serie storica coerente, ma i futuri sistemi operativi non possono presumere che uno strumento resti disponibile indefinitamente. Un metodo portabile necessita di un comportamento stabile su sensori sostitutivi o complementari.

Soprattutto, l’emersione delle regioni attive è solo un anello della catena dei pericoli. Gli anelli successivi includono la produzione di flare, la direzione delle espulsioni di massa coronale, l’accelerazione di particelle energetiche e l’interazione con il campo magnetico terrestre.

Gli errori si accumulano lungo questa catena. Un avviso precoce su una regione può essere corretto mentre una previsione successiva dell’eruzione è errata. Anche una previsione di flare può essere corretta mentre l’evento comporta pochi rischi per la Terra.

La direzione del titolo dell’articolo sopravvaluta quindi ciò che è stato stabilito. “Segnali di eruzione solare” suggerisce prove direttamente collegate alle eruzioni. Il segnale verificato era collegato a regioni attive emergenti che possono diventare sorgenti di eruzioni.

Non è solo una cautela semantica. Gli utenti agiscono diversamente davanti a un avviso su una regione sorgente e a una previsione di pericolo. Operatori satellitari, pianificatori delle reti elettriche e servizi di aviazione necessitano di probabilità calibrate legate a impatti specifici.

Per i lettori che seguono le affermazioni sull’AI tramite Google News, la lezione è più ampia. La variabile obiettivo di un modello conta quanto la sua accuratezza. Prevedere un precursore non equivale a prevedere ogni evento a valle associato a quel precursore.

Tre segnali mostreranno se il modello può diventare operativo

La fase successiva deve dimostrare la scalabilità, controllare i falsi allarmi e collegare gli avvisi di emersione precoce ai pericoli successivi.

Il primo segnale è un test prospettico molto più ampio. I ricercatori dovrebbero eseguire il modello sulle osservazioni in arrivo senza selezionare in anticipo casi di emersione noti.

Una valutazione prospettica registrerebbe ogni avviso, ogni regione attiva mancata e ogni località tranquilla segnalata erroneamente. Dovrebbe coprire un periodo sufficiente a includere condizioni solari e geometrie di osservazione variabili.

Il successo significherebbe che il risultato su cinque regioni resiste a un realistico test dell’intero disco. Il fallimento suggerirebbe che i casi originali hanno catturato uno schema più ristretto di quanto suggerisse il titolo.

Il secondo segnale è un’analisi trasparente dei falsi allarmi. I ricercatori dovrebbero pubblicare precisione, richiamo, distribuzioni dei tempi di preavviso e falsi allarmi per periodo osservativo.

Un sistema di allerta deve mostrare se tempi di anticipo più lunghi comportano una minore affidabilità. Questo compromesso determina se i previsori possano integrare il modello senza aggiungere rumore distraente.

Un benchmark utile dovrebbe inoltre separare le piccole emersioni dalle regioni grandi e rilevanti per la meteorologia spaziale. Rilevare correttamente molte regioni deboli può aumentare l’accuratezza complessiva senza migliorare la preparazione per eventi dalle conseguenze rilevanti.

Il terzo segnale è l’integrazione con modelli a valle di flare ed eruzioni. Un avviso di pre-emersione diventa più prezioso se le misurazioni successive aggiornano il rischio in evoluzione della stessa regione.

Quel sistema integrato potrebbe iniziare con prove acustiche, aggiungere la crescita del flusso magnetico e quindi incorporare la complessità del campo o la cronologia dei flare. Ogni fase affinerebbe la probabilità invece di trattare il primo avviso come una risposta definitiva.

Tale integrazione rafforzerebbe l’affermazione centrale se migliorasse il tempo di preavviso senza peggiorare la calibrazione. La indebolirebbe se gli avvisi precoci aggiungessero poco oltre alle previsioni effettuate dopo l’emersione visibile.

Non è necessario attendere un sistema end-to-end perfetto prima di usare la ricerca. Gli osservatori possono testare il puntamento precoce e gli scienziati possono già raccogliere sequenze di emersione più complete.

La comunicazione pubblica necessita di maggiore disciplina. Un titolo su Google News può far sembrare “prevedere un precursore” come “prevedere un’eruzione”. I lettori dovrebbero verificare l’output effettivo del modello, il campione di valutazione e la definizione operativa.

Il risultato di fondo resta degno di attenzione. Una rete neurale ha identificato segnali in evoluzione mentre le regioni attive erano ancora per lo più nascoste, inclusi tre casi operativamente riusciti con tempi di anticipo da cinque a 29 ore.

La questione aperta non è più se tali segnali esistano in osservazioni selezionate. È se ricorrano in modo affidabile sull’intero Sole e migliorino le previsioni che contano per persone e macchine.

Prestate attenzione a futuri test su scala completa, a statistiche esaustive sui falsi allarmi e ai collegamenti con le probabilità di eruzioni successive. Questi tre risultati determineranno se questa storia di Google News rappresenti un progresso operativo o un promettente traguardo della ricerca.