Utilización de modelos de “machine learning” para detección temprana de erupciones solares

Abstract

Los Ground Level Enhancements (GLE) son eventos de radiación solar que, aunque su frecuencia es de apenas un evento al año, debido a que son altamente energéticos, pueden afectar a los componentes electrónicos que se usan en el día a día. En este trabajo se aborda un enfoque desde el desarrollo de software como medida de reducción de riesgos, un enfoque poco abordado hasta el momento en favor del desarrollo de hardware. Los GLE se detectan cuando más de una estación de monitores de neutrones ha detectado un incremento considerable en su conteo de neutrones. Por ello, se requiere de registros de varios monitores para su detección. Se extraen datos de NMDB, una base de datos que recopila información de 60 monitores de neutrones. Estos datos se destinan a su uso en un sistema que combina el aprendizaje automático y un sistema basado en reglas para su detección temprana. Para su evaluación se usan técnicas y métricas específicas para este trabajo, pues al ser los GLE poco frecuentes, pero a la vez contar con muchos datos su evaluación es singular. Los resultados de la eficiencia del sistema indican la viabilidad del uso de aprendizaje automático para la detección de GLE en tiempo real gracias a que cada ejecución lleva una cantidad de tiempo razonable para aplicaciones en tiempo real y a que, aunque la cantidad de falsas alarmas sea elevada, sí que ayuda en la detección de estos eventos.

Ground Level Enhancements (GLEs) are highly energetic solar radiation events. Although they occur only about once a year, GLEs can affect electronic components used in everyday life. This project explores a software-based approach to reduce these risks, a method that has been less studied than hardware development. GLEs are detected when more than one neutron monitor station records a significant increase in neutron counts at the same time . Therefore, data from several monitors are needed for detection. For this work, data is extracted from Neutron Monitor Database (NMDB), a database that collects information from 60 stations . This data is used in a system that combines machine learning with a rule-based system for early detection. The evaluation required special metrics and techniques because GLEs are very rare compared to the large amount of normal data, making their evaluation unique. The results show that machine learning is viable for real-time GLE detection, as each run takes a reasonable amount of time for real-time applications. Although the number of false alarms is high, the system does help in detecting these events.