Mesterséges intelligencia, magyarul.
Az eredeti közleményekből.

A Microsoft rendszere előre jelezheti, hol veszélyezteti a hálózatot a naptevékenység

2026. szeptember 30.Forrás: Microsoft Research
A Microsoft rendszere előre jelezheti, hol veszélyezteti a hálózatot a naptevékenység
Kép: Microsoft Research

A Microsoft Research olyan gépi tanulási rendszert fejlesztett, amely a naptevékenység és a helyi földtani adottságok alapján 66 935 amerikai alállomásnál becsüli a geomágneses viharok hálózati kockázatát. A rendszer egyes jelentős eseményeket 30-60 perccel a várható hatás előtt érzékelhet.

A lényeg röviden
  • A rendszer 66 935 kontinentális amerikai alállomásra készít kockázati becslést.
  • Az előrejelzés 30-60 perccel a várható hatás előtt jelezhet.
  • A jelentős események felismerési aránya 76,5 százalék volt.
  • A becslés a naptevékenységet helyi földtani és hálózati adatokkal kombinálja.
  • A gyakorlati üzemeltetéshez további validáció szükséges.

A napviharok a villamos hálózatot is veszélyeztethetik

A Microsoft Research szeptember 30-án ismertetett projektje arra keresi a választ, hogyan lehet a közelgő űridőjárási eseményekből a villamosenergia-hálózat helyi kockázataira következtetni. A szélsőséges naptevékenység megváltoztathatja a Föld mágneses terét, ez pedig áramokat indukálhat az átviteli hálózatokban. Ez károsíthatja a berendezéseket, és növelheti az üzemeltetési kockázatokat.

A 2024. májusi geomágneses vihar idején Észak-Amerika közműszolgáltatói is felkészültek a lehetséges hatásokra, miközben a sarki fény a megszokottnál jóval délebbre is láthatóvá vált. A vihar a GPS pontosságát és a műholdas műveleteket is ronthatta, ami Észak-Amerikában és Európában a mezőgazdasági munkákra is hatással lehetett.

Háromlépcsős előrejelzési folyamat

A rendszer a Napból érkező napszél adatait használja, amelyeket az L1 Lagrange-pontból származó mérések biztosítanak. Ezekből előrejelzi az Auroral Electrojet, vagyis AE, valamint a Disturbance Storm Time, vagyis Dst indexet. Ezután egy gradiensnövelő modell az előrejelzéseket a helyi szélességgel, a földtani vezetőképességgel és a hálózati infrastruktúra adataival kombinálja.

A modell a mágneses tér változásának sebességét, a dB/dt értéket becsüli. Ez kapcsolódik a geomágnesesen indukált áramok, vagyis a GIC-ek kockázatához. A becsléseket végül alállomásonkénti kockázati értékekké alakítja, majd kontinentális szintű értékelést készít.

A fejlesztés során 50 AI-ügynök segítette a jellemzők, az ellenőrzési stratégiák és a modellbeállítások vizsgálatát. A kutatók kizárólag nyilvános adatforrásokat használtak, köztük a NASA OMNI és Kyoto World Data Center adatait, az INTERMAGNET és az amerikai földtani szolgálat magnetométeres megfigyeléseit, valamint a GridSFM-ből származó hálózati adatokat.

A tesztek szerint a jelentős események többsége felismerhető

A 2020 és 2026 közötti értékelési időszakban az AE-előrejelző 410,2 nanotesla gyökér-középnégyzetes hibát ért el, és a Microsoft Research szerint több empirikus, illetve kizárólag napszélalapú módszernél is alacsonyabb hibát produkált. A Dst-előrejelző hibája 7,2 nanotesla volt. A geomágnesesen legaktívabb időszakokban óránkénti összevetésben az esetek 62,2 százalékában felülmúlta a Burton-egyenletet. Az AE-előrejelzéssel együtt a súlyos események felismerése 1,2 százalékponttal javult.

A GIC-kockázati szakaszban a rendszer a legalább 10 nanoteszer/perc értékű jelentős események 76,5 százalékát, a legalább 20 nanoteszer/perc értékű súlyos események 81,2 százalékát, az legalább 50 nanoteszer/perc értékű szélsőséges események 64,1 százalékát észlelte. A téves riasztások aránya a viharok súlyosságával együtt nőtt. Az észlelés északi alállomásoknál volt a legjobb, ahol erősebb a geomágneses aktivitás.

A rendszer egyelőre kutatási prototípus

A bemutatott térkép egy reprezentatív jelentős vihar forgatókönyvét szemlélteti, nem pedig egy valós időben működő esemény felvételét. A Microsoft szerint az ilyen kimenet segíthet a hálózatüzemeltetőknek annak meghatározásában, mely helyszínek igényelhetnek részletesebb vizsgálatot. A rendszer a mérések szerint körülbelül 333 milliszekundum alatt készített becslést mind a 66 935 alállomásra, így sok forgatókönyv gyorsan kiértékelhető.

A kutatók szerint a közművek a korábbi, helyspecifikus információt mérnöki felülvizsgálatok rangsorolására és célzott védelmi lépések megfontolására használhatnák, például a meddőteljesítmény-tartalékok módosítására vagy a hálózat egyes részeinek ideiglenes átrendezésére. A rendszer hálózati üzemeltetésbe állítása előtt azonban további, közművekkel és üzemi adatokkal végzett validációra van szükség.

A Microsoft Research a következő lépések között hosszabb előrejelzési időtáv vizsgál, a rendszert más régiókra is kiterjesztené, és az alállomási szintről az egyes kritikus berendezések, például transzformátorok kockázatának becslése felé haladna.

Kapcsolódó hírek

AI jelezheti előre, mely alállomásokat veszélyezteti a napvihar
Kutatás2026. szeptember 30.

AI jelezheti előre, mely alállomásokat veszélyezteti a napvihar

A Microsoft Research olyan gépi tanulási rendszert fejlesztett, amely az Egyesült Államok kontinentális részének 66 935 alállomásán becsüli a naptevékenységből eredő…

A Microsoft Quine rendszere a biológiai kutatásokat gyorsítaná
Kutatás2026. szeptember 29.

A Microsoft Quine rendszere a biológiai kutatásokat gyorsítaná

A Microsoft Research bemutatta a Quine nevű kísérleti AI kutatási rendszert, amely a biológia több szintjéről és adatforrásából származó információkat kapcsolja össze. A…

A Microsoft Quine rendszere a biológiai kutatásokat gyorsítaná fel
Kutatás2026. szeptember 29.

A Microsoft Quine rendszere a biológiai kutatásokat gyorsítaná fel

A Microsoft Research bemutatta a Quine nevű kísérleti AI-kutatási rendszert, amely többféle biológiai adatot kapcsol össze tudományos eszközökkel, szakirodalommal és…