太空风暴分为三个严重级别：地磁风暴、太阳辐射风暴和无线电中断。这些风暴对地球产生不同的影响，包括卫星、GPS、通信和电网问题，以及对宇航员和高空飞行人员的健康危险。地磁风暴还会产生极地地区常见的美丽极光。

研究人员利用机器学习来改进太空天气预报

由于太空风暴的潜在负面影响，研究人员开发了基于物理的模型，根据从太阳喷射出的入射太阳风粒子来预测极光电流系统。

然而，到目前为止，此类模型速度很慢，并且需要整个超级计算机才能运行。研究人员现在创建了一个基于机器学习的模拟器，可以更快地模拟基于物理的极光电流系统模拟，并且计算能力更少。

“基于物理的极光流系统模拟是空间天气预报的一种选择。然而，我们需要一台指定的超级计算机来运行基于物理的模拟，”该论文的第一作者、该校副教授RyuhoKataoka说。国家极地研究所和SOKENDAI，均位于日本立川。

“其中一个模型是REPPU(REProducePlasmaUniverse)，这是一个众所周知且可靠的模型，可以重现极光电流系统。一旦我们创建了‘模拟器’，我们就可以使用笔记本电脑获得类似的结果。”

新的模拟器模型，REPPU极光电离层替代模型第2版(SMRAI2)，比基于物理的模拟快一百万倍，并将季节性影响纳入其建模中。

虽然太阳天气预报无法改变太阳辐射和太阳风粒子对地球及其周围的影响，但它可以帮助受太阳天气影响的社区为通信困难和故障做好准备，并限制宇航员和高空飞机乘客的辐射暴露。

尤其是卫星，对磁暴引起的阻力高度敏感。事实上，2022年2月，有38颗商业卫星因中度磁暴后重返地球大气层而丢失。这些磁暴是太阳风向地球磁层大量能量转移的结果。

研究团队使用称为回声状态网络(ESN)的时间相关机器学习模型来创建基于物理的预测模型模拟器。重要的是，ESN是一种循环神经网络，旨在有效处理顺序数据。

当前的研究实际上改进了基于ESN的模拟器的初始版本ver1.0。该团队使用比原始ver1.0模型多一个数量级的基于物理的模拟输出来训练新的仿真器模型SMRAI2。

“这项研究的产品SMRAI2是极光物理学的第一个例子，它利用机器学习技术来模拟基于物理的全球磁流体动力学(MHD)模拟的电离层输出。积累更多的MHD模拟数据并使用其他尖端技术机器学习模型将使我们能够在不久的将来更新预测准确性，”片冈说。MHD模拟旨在描述磁层的行为，其中太阳风与地球磁场相互作用。

研究团队的下一步是将模拟器纳入运行集合空间天气预报中，这是一组提供一系列未来空间天气预报的预测。他们的最终目标是在数据同化预测中使用模拟器以及许多观测数据集，整合模型输出和观测结果以提高预测精度。