- La NASA e IBM presentan Surya, un modelo de IA abierto capaz de anticipar eventos solares con hasta dos horas de margen.
- GeoCME, otro enfoque con aprendizaje automático, acierta la geoeficacia de CME combinando imágenes de SOHO.
- Estas herramientas buscan proteger satélites, comunicaciones, aviación y redes eléctricas ante picos de actividad solar.
- El código y los datos de entrenamiento se liberan para impulsar investigación y validación independientes.
La actividad solar no entiende de horarios y, cuando se desata, puede trastocar desde la navegación por satélite hasta la red eléctrica, dando lugar a fenómenos extremos como los tornados solares. En este contexto, la NASA está desplegando nuevas herramientas de inteligencia artificial para mejorar la vigilancia del clima espacial y ganar un tiempo precioso de reacción.
La agencia da un salto cualitativo al combinar un modelo fundacional de IA de código abierto, desarrollado junto a IBM, con enfoques de aprendizaje automático que analizan imágenes solares históricas. El objetivo es simple de explicar y complejo de ejecutar: anticiparse a erupciones y eyecciones de masa coronal con antelación suficiente y mayor precisión para reducir riesgos en infraestructuras críticas.
Surya: IA abierta de la NASA e IBM para vigilar el Sol
Surya es el primer modelo fundacional en heliofísica impulsado por la NASA e IBM y apunta a un problema muy concreto: anticipar eventos solares potencialmente dañinos con hasta dos horas de margen. No se trata de una promesa lejana; ya opera como plataforma abierta para que la comunidad la pruebe y la haga avanzar.
El sistema se entrenó con más de nueve años de observaciones del Observatorio de Dinámica Solar (SDO) de la NASA, que incluyen múltiples longitudes de onda, ultravioleta extremo y mapas magnéticos de la fotosfera, útiles para estudiar las manchas solares. En total, procesó más de 250 terabytes de datos y, a diferencia de otros métodos, es capaz de aprender directamente de información en bruto, reduciendo la dependencia del etiquetado manual.
En pruebas iniciales, Surya generó predicciones visuales indicando cuándo y dónde podría producirse una erupción, logrando una mejora de alrededor del 16% frente a técnicas de referencia. Ese salto de precisión facilita priorizar alertas y enfocar la atención en las regiones activas del disco solar.
La utilidad práctica es evidente: con más tiempo y mejor señal, los operadores pueden tomar medidas para salvaguardar satélites, comunicaciones y redes eléctricas, o ajustar rutas aéreas que dependen de comunicaciones HF en latitudes altas.
Además, la NASA ha liberado el modelo y sus conjuntos de entrenamiento en repositorios como Hugging Face y GitHub. Esta apertura rebaja barreras de entrada para investigadores, educadores y estudiantes, fomentando validaciones independientes y nuevas aplicaciones.
GeoCME: detectar CMEs «geoeficaces» con aprendizaje automático
En paralelo, otros equipos exploran algoritmos que combinan observaciones de SOHO (el Observatorio Solar y Heliosférico de NASA/ESA) antes, durante y después de distintas eyecciones de masa coronal para estimar si un evento será geoeficaz, es decir, capaz de desencadenar una tormenta geomagnética en la Tierra, afectando el campo magnético de la Tierra.
Un enfoque reciente, conocido como GeoCME, mostró resultados especialmente sólidos: identificó correctamente las 21 de 21 CME que sí produjeron tormentas y acertó en 5 de 7 casos que no lo hicieron. Este tipo de modelos ayuda a separar el grano de la paja cuando llegan múltiples eventos con trayectorias y campos magnéticos distintos.
Desde el ámbito científico se subraya que la clave es trasladar estas capacidades a operaciones: modelos más finos, datos consistentes y validaciones cruzadas continuas. Con ello, se pueden minimizar falsas alarmas y, a la vez, reducir los casos en los que una tormenta pilla a los operadores a contrapié.
Un ecosistema de herramientas que va de modelos fundacionales como Surya a clasificadores específicos tipo GeoCME permite cubrir distintos horizontes temporales y tipos de fenómeno, integrando imagen, magnetogramas y contexto físico para una respuesta más fiable.
Impacto y preparación: de la previsión a la acción
Los episodios más intensos pueden degradar el GPS, provocar pérdidas de señal en comunicaciones por satélite, afectar rutas aéreas polares o inducir corrientes en la red eléctrica. Una alerta bien fundamentada, con margen de horas, cambia el tablero: permite a los operadores tomar precauciones de forma escalonada y con menor coste.
Con ventanas de aviso más precisas, es posible reorientar satélites, activar safe modes, ajustar cargas en transformadores o reprogramar operaciones sensibles. Esa ventana adicional de tiempo puede evitar incidencias y, sobre todo, reducir la cascada de efectos en cadena.
La NASA está impulsando que estos modelos se alimenten de más datos y se contrasten continuamente en distintos ciclos de actividad solar. Con cada iteración, se espera acotar la incertidumbre y mejorar tanto la detección temprana como la evaluación del impacto potencial.
Conviene recordar, no obstante, que las predicciones del clima espacial expresan probabilidades, no certezas absolutas. Por eso, la combinación de múltiples fuentes, metodologías y revisiones independientes es tan relevante como la propia potencia de los algoritmos.
La colaboración abierta —con código, datos y resultados a la vista— facilita que universidades, centros de investigación y agencias operativas evalúen, repliquen y perfeccionen estas herramientas a un ritmo difícil de igualar con enfoques cerrados.
Todo apunta a que la vigilancia del Sol entra en una etapa más madura: modelos de IA como Surya y técnicas de aprendizaje automático tipo GeoCME refuerzan la cadena de alerta temprana, aportando precisión y tiempo para preparar respuestas operativas y blindar servicios esenciales cuando el astro rey decide agitar el clima espacial.
