La IA crea un mapa 3D del campo magnético del Sol y logra anticipar tormentas solares peligrosas
Un equipo de la Universidad de Hawái desarrolló una herramienta de inteligencia artificial capaz de mapear en tres dimensiones el campo magnético solar con una precisión inédita. El avance promete mejorar la predicción de tormentas solares que afectan satélites, comunicaciones y redes eléctricas en la Tierra.
Investigadores del Instituto de Astronomía de la Universidad de Hawái (IfA) están transformando la manera en que la ciencia observa y comprende al Sol.
El proyecto, liderado por la Universidad de Hawái y vinculado al Telescopio Solar Daniel K. Inouye —construido y administrado por la Fundación Nacional de Ciencias de Estados Unidos (NSF) a través del Observatorio Solar Nacional (NSO) en Haleakalā—, fue publicado recientemente en la prestigiosa revista Astrophysical Journal.
El impacto del clima espacial en la vida cotidiana
“El Sol es la fuente más poderosa de clima espacial que puede afectar nuestra vida diaria en la Tierra, especialmente ahora que dependemos tanto de la tecnología”, explicó Kai Yang, investigador posdoctoral del IfA y líder del estudio. Según detalló, el campo magnético solar es el motor de fenómenos explosivos como las erupciones solares y las eyecciones de masa coronal, eventos capaces de interrumpir sistemas satelitales, redes eléctricas y comunicaciones globales.
Comprender qué desencadena estos estallidos es clave para anticiparlos. Una mejor predicción permitiría emitir alertas tempranas y proteger infraestructuras críticas que sostienen la vida moderna.
Un rompecabezas difícil de resolver
El gran desafío para los científicos ha sido siempre medir con precisión el campo magnético del Sol. Los instrumentos actuales pueden mostrar cómo se inclinan las líneas magnéticas, pero no logran determinar si apuntan hacia la Tierra o en sentido contrario. Yang lo compara con observar una cuerda de costado: se puede ver su forma, pero no saber qué extremo está más cerca.
A esto se suma el problema de la altura. Al observar el Sol, los astrónomos captan varias capas al mismo tiempo, lo que dificulta determinar a qué nivel se encuentra cada estructura magnética. La situación se vuelve aún más compleja en las manchas solares, donde campos magnéticos intensos deforman la superficie solar y generan hundimientos.
Inteligencia artificial guiada por las leyes de la física
Para superar estos obstáculos, los investigadores del IfA trabajaron en conjunto con el Observatorio Solar Nacional y el Observatorio de Alta Altitud del Centro Nacional de Investigación Atmosférica (NCAR). El resultado fue un nuevo sistema de aprendizaje automático que combina datos reales con principios físicos fundamentales.
El algoritmo, denominado Haleakalā Disambiguation Decoder, se basa en una regla sencilla pero poderosa: los campos magnéticos forman bucles continuos y no tienen principio ni fin. A partir de esta premisa, la inteligencia artificial puede deducir la dirección real del campo magnético y estimar la altura correcta de cada una de sus capas.
Resultados prometedores y nuevas posibilidades
La técnica fue probada con éxito en modelos computacionales detallados del Sol, que incluyen regiones tranquilas, zonas activas brillantes y manchas solares. Su precisión resulta especialmente valiosa para interpretar las imágenes de altísima resolución captadas por el Telescopio Solar Daniel K. Inouye, el más avanzado del mundo en su tipo.
“Con esta nueva herramienta de aprendizaje automático, el telescopio puede ayudar a construir un mapa tridimensional mucho más preciso del campo magnético solar”, señaló Yang. Además, el método permite revelar características asociadas, como las corrientes eléctricas vectoriales en la atmósfera solar, que hasta ahora eran extremadamente difíciles de medir.
Hacia mejores predicciones solares
Gracias a estos avances, los científicos pueden observar el paisaje magnético del Sol con mayor claridad y mejorar las predicciones sobre su actividad. Esto representa un paso fundamental para anticipar fenómenos solares extremos y reducir su impacto sobre la tecnología y la vida en la Tierra.
En un mundo cada vez más interconectado y dependiente de sistemas sensibles al clima espacial, comprender al Sol ya no es solo una cuestión astronómica, sino una necesidad estratégica para la sociedad moderna.
Referencia de la noticia
Kai E. 凯 Yang 杨 et al, Spectropolarimetric Inversion in Four Dimensions with Deep Learning (SPIn4D). II. A Physics-informed Machine Learning Method for 3D Solar Photosphere Reconstruction, The Astrophysical Journal (2025). DOI: 10.3847/1538-4357/ae12ef