Una IA aprende a escuchar al Sol y detecta regiones activas casi nueve horas antes de que asomen

Mucho antes de que aparezcan las manchas oscuras en la superficie del Sol, una nueva región activa — donde pueden originarse las erupciones solares más potentes — comienza a mostrar señales sutiles de su formación. Un nuevo modelo de inteligencia artificial es capaz de detectar esos primeros indicios y pronosticar la emergencia de regiones activas solares con un promedio de casi nueve horas de antelación. El trabajo, liderado por un equipo del New Jersey Institute of Technology (NJIT), se publicó en el Journal of Geophysical Research: Machine Learning and Computation.

Buscar lo que ocurre bajo la superficie

Las regiones activas — zonas de intensa actividad magnética donde se forman las manchas solares — tardan varias horas en comenzar a emerger, y su desarrollo completo puede llevar de uno a varios días. A medida que los campos magnéticos ascienden hacia la superficie solar, dejan huellas tenues en las ondas acústicas que los científicos pueden detectar mediante la helioseismología, el estudio de las vibraciones del Sol.

La dificultad central es que una región activa empieza a desarrollarse por debajo de la superficie visible, donde no es posible observar directamente la estructura magnética. En palabras del profesor Alexander Kosovichev (NJIT), coinvestigador principal, el reto es buscar cambios muy pequeños en el campo magnético y en el patrón de las ondas acústicas que viajan continuamente a través del Sol — algo más parecido a detectar una leve variación de ritmo dentro de una orquesta muy ruidosa. Para lograrlo, el modelo, llamado EarlyDetect, analiza mapas horarios de potencia acústica y mediciones del campo magnético del Solar Dynamics Observatory (SDO) de la NASA, derivados de observaciones de ondas sonoras registradas cada 45 segundos por el instrumento HMI a bordo del satélite.

Cuando el filtro borró la pista

El modelo utiliza una arquitectura de tipo Transformer — la misma tecnología detrás de los grandes modelos de lenguaje como ChatGPT. Pero mientras esos sistemas aprenden patrones en el texto, EarlyDetect aprende patrones en las observaciones solares para predecir cambios futuros en la actividad del Sol.

El hallazgo más inesperado del proyecto no fue el resultado, sino un error revelador en el camino. El equipo descubrió que una técnica de filtrado que habían aplicado para ayudar al modelo a identificar patrones importantes en los datos solares estaba, en realidad, empeorando sus predicciones. Esperaban que sirviera para aislar los patrones útiles de escala temporal corta; en cambio, promediaba y eliminaba las fluctuaciones muy tenues que proporcionaban la advertencia más temprana. Jonas Tirona, investigador de licenciatura y autor de correspondencia del estudio, lo comparó con la cancelación de ruido: normalmente elimina los sonidos fuertes para que se aprecie mejor la tendencia general, pero aquí resultó perjudicial en casi todos los casos, porque las señales que el filtro borraba eran precisamente las más importantes para anticipar la emergencia de una región activa. Una lección elegante sobre cómo, en el análisis de datos, lo que parece ruido puede ser la señal.

Nueve horas de ventaja, y recursos abiertos

Tras entrenarse con observaciones del SDO/HMI, EarlyDetect se probó sobre regiones activas que el modelo nunca había visto. Su mejor versión identificó señales precursoras con un promedio de 9,24 horas de antelación antes de que las regiones se hicieran visibles, superando tanto a un Transformer estándar como a un método de referencia previo. Ese margen es lo que interesa al pronóstico del clima espacial: una advertencia temprana podría permitir a las empresas de comunicaciones satelitales o a las operadoras de redes eléctricas prepararse y mitigar posibles daños ante una tormenta solar.

Para que otros investigadores puedan construir sobre este trabajo, el equipo liberó además el Solar Active Region Emergence Dataset (SolARED), la primera colección pública de observaciones de emergencia de regiones activas solares, junto con un portal web interactivo para explorar los datos — un recurso compartido tanto para la comunidad de aprendizaje automático como para la de heliofísica.

Todavía no es una alerta en tiempo real

Pese a lo prometedor, EarlyDetect aún no está listo para el pronóstico en tiempo real. El modelo se entrenó sobre eventos de emergencia ya conocidos y todavía produce ocasionalmente falsas alarmas o predicciones tardías. Conviene además una distinción importante: una advertencia de emergencia no equivale a la predicción de que ocurrirá una fulguración o una eyección de masa coronal, ya que muchas regiones activas nunca llegan a producir grandes erupciones. El equipo señala que aún debe validar el enfoque en muchos más eventos solares. Es, por ahora, un paso incipiente pero genuinamente prometedor hacia un terreno — el aprendizaje automático aplicado a la predicción de la actividad solar — que apenas comienza a explorarse.

© 2026 Homer Dávila Gutiérrez, FRAS — SKYCR.ORG. Todos los derechos reservados. Referencia: Jonas Tirona et al., Forecasting Continuum Intensity for Solar Active Region Emergence Prediction Using Transformers, Journal of Geophysical Research: Machine Learning and Computation (2026). DOI: 10.1029/2025JH001207