El diseño de modelos que pueden predecir cómo y cuándo se producen las fulguraciones solares capaces de dañar tecnologías como la de los satélites es un tema que desvela a los científicos desde hace décadas. Ahora un modelo fundacional de código abierto  basado en IA fue presentador por  BM y la NASA.

Se trata de un diseño especifico para comprender datos de observación solar de alta resolución y predecir cómo la actividad solar afecta la Tierra y la tecnología espacial. Surya, llamado así por la palabra sánscrita que designa al Sol, representa un avance significativo en la aplicación de IA para la interpretación de imágenes solares y a la investigación del clima espacial, proporcionando una herramienta novedosa para ayudar a proteger todo, desde la navegación de los GPS hasta las redes eléctricas y las telecomunicaciones, de la naturaleza siempre cambiante del Sol.

El Sol esta a 93 millones de millas de distancia, pero su impacto en la vida moderna es inmediato y creciente. Las erupciones solares y las eyecciones de masa coronal pueden destruir satélites, perturbar la navegación aérea, provocar apagones y suponer graves riesgos de radiación para los astronautas. Con la creciente dependencia de la humanidad de la tecnología espacial y los planes para una exploración espacial más profunda, la predicción precisa del clima solar se ha vuelto fundamental.

A medida que crece la dependencia tecnológica de la humanidad, también lo hace nuestra vulnerabilidad al "clima espacial", eso es a alteraciones que provienen del espacio exterior pero que pueden provocar serveros problemas. Según un escenario de riesgo sistémico creado por Lloyd's, la economía global podría estar expuesta a pérdidas de 2,4 billones de dólares en un período de cinco años, con una pérdida esperada de 17.000 millones de dólares por la amenaza de una hipotética tormenta solar. Los recientes eventos solares ya demostraron el riesgo, interrumpiendo los servicios GPS, forzando desvíos de vuelos y dañando satélites. Los efectos de las tormentas solares pueden causar:

• Daños a satélites, naves espaciales y/o astronautas estacionados fuera de la Tierra
• Pérdida de hardware satelital, daños en paneles solares y circuitos
• Impacto en los viajes aéreos, debido a errores de navegación y riesgo potencial de radiación para la tripulación y los pasajeros de las aerolíneas
• Una reducción en la producción de alimentos dado que la agricultura puede verse afectada por la interrupción de la navegación GPS

Las implicaciones incluyen tanto la investigación académica como la preparación operativa. El nuevo modelo proporcionará herramientas para ayudar a los expertos a planificar las tormentas solares, que pueden alterar la infraestructura tecnológica de la Tierra.

"Piense en esto como un pronóstico meteorológico para el espacio", afirmó Juan Bernabé-Moreno, Director de IBM Research Europa, Reino Unido e Irlanda. "Así como trabajamos para prepararnos para los fenómenos meteorológicos peligrosos, debemos hacer lo mismo con las tormentas solares. Surya nos brinda una capacidad sin precedentes para anticipar lo que viene y no es solo un logro tecnológico, sino un paso fundamental para proteger nuestra civilización tecnológica de la estrella que nos sustenta".

La predicción meteorológica solar tradicional se basa en imágenes satelitales parciales de la superficie del Sol, lo que históricamente hace extremadamente difícil realizar pronósticos precisos. Surya aborda esta limitación al ser entrenada en el conjunto de datos de alta resolución más grande que se haya curado. Este conjunto de datos está diseñado para ayudar a los investigadores a estudiar y evaluar mejor las tareas críticas de predicción del clima espacial. Algunos ejemplos de estas tareas, en las que se ha probado a Surya, incluyen la predicción de las erupciones solares, la velocidad de los vientos solares, la predicción de los espectros EUV solares y la aparición de regiones activas en el Sol.

En pruebas iniciales, los investigadores informaron haber logrado una mejora del 16% en la precisión de la clasificación de las erupciones solares, lo que los investigadores consideran una mejora muy sustancial en comparación con los métodos anteriores. Además de la tarea de clasificación de erupciones solares binarias, Surya está diseñado para predecir visualmente las erupciones solares por primera vez, proporcionando una imagen de alta resolución de dónde se prevé que se produzca la erupción hasta dos horas antes.

Los desafíos técnicos fueron inmensos. Surya se entrenó con nueve años de datos de observación solar de alta resolución del Observatorio de Dinámica Solar de la NASA. Estas imágenes solares son 10 veces más grandes que los datos de entrenamiento típicos de la IA, requiriendo una solución multiarquitectura personalizada para manejar la escala masiva, manteniendo la eficiencia. El resultado es un modelo con una resolución espacial sin precedentes que puede resolver características solares en escalas y contextos no capturados previamente en flujos de trabajo de entrenamiento de IA a gran escala.

"Estamos impulsando la ciencia basada en datos al integrar la profunda experiencia científica de la NASA en modelos de inteligencia artificial de vanguardia", afirmó Kevin Murphy, director de datos científicos en la sede de la NASA en Washington. "Al desarrollar un modelo fundacional basado en datos heliofísicos de la NASA, facilitamos el análisis de las complejidades del comportamiento del Sol con una velocidad y precisión sin precedentes. Este modelo permite una comprensión más amplia de cómo la actividad solar impacta los sistemas y tecnologías críticos de los que todos dependemos aquí en la Tierra".

Surya es parte de un esfuerzo más amplio en IBM para adoptar enfoques generativos y automatizados que permitan descubrir, probar y desarrollar algoritmos a escala. Surya es un ejemplo de cómo IBM está posicionando la IA no sólo como una herramienta, sino como un motor del descubrimiento científico. Al lanzar Surya en Hugging Face, IBM y la NASA están democratizando el acceso a herramientas avanzadas para comprender y pronosticar el clima solar y la exploración científica. Ahora los investigadores de todo el mundo pueden aprovechar esta base para desarrollar aplicaciones especializadas para sus regiones e industrias. 
 

Lo que IBM y NASA publicaron es que Surya no es un LLM, el modelo clave de la IA Generativa, pero sí se apoya en tecnologías de IA muy cercanas a las que se usan en visión por computadora y modelos fundacionales, aplicadas a imágenes solares. Entre las principales se encuentran

1. Aprendizaje profundo (Deep Learning). Surya está entrenado con nueve años de imágenes de alta resolución del Sol obtenidas por el satélite Solar Dynamics Observatory (SDO). Se usan redes neuronales profundas para extraer patrones espaciales y temporales de esas imágenes. Esto permite detectar regiones activas que pueden desencadenar llamaradas solares (flares).

2. Modelos fundacionales multimodales. Aunque no es un LLM, Surya se define como un "modelo fundacional", en el sentido de que está preentrenado sobre un corpus masivo (datos solares), y luego se puede ajustar (fine-tune) para distintas tareas de predicción en heliosfísica. Funciona de forma parecida a los modelos de visión fundacionales (tipo Vision Transformers o ViTs).

3. Redes neuronales convolucionales (CNNs) y Transformers. Usa CNNs para procesar las imágenes solares (detectar formas, estructuras de plasma, erupciones). Se complementa con transformers para capturar dependencias temporales (qué pasa en el Sol minutos u horas antes de un flare). Este combo CNN + Transformer es común en IA científica: CNN extrae características espaciales, y Transformer analiza la evolución en el tiempo.

4. Aprendizaje supervisado y auto-supervisado. Auto-supervisado: aprende representaciones generales de datos solares sin necesitar etiquetas humanas (ej. predecir la siguiente imagen a partir de anteriores).Supervisado: ajustado luego con eventos etiquetados por físicos solares (ej. "esta región produjo una llamarada clase X").

5. Predicciones probabilísticas. No da un "sí o no", sino que estima probabilidades de ocurrencia de distintos tipos de llamaradas (C, M, X). Esto ayuda a infraestructuras críticas (satélites, aviación, redes eléctricas) a decidir niveles de alerta.

6. Infraestructura abierta- IBM lo liberó en Hugging Face, lo que indica que está implementado en PyTorch, con soporte para GPUs y TPUs. Puede reutilizarse para otras ciencias con datos espaciales o de imágenes en serie temporal (ej. meteorología).

Surya usa deep learning (CNNs + Transformers), entrenado con datos solares en esquemas fundacionales (preentrenamiento + fine-tuning), con técnicas de aprendizaje supervisado y auto-supervisado, para anticipar tormentas solares. Es IA científica, más parecido a un Vision Transformer para heliosfísica que a un modelo de texto.

Este modelo es parte de una colaboración más amplia entre IBM y la NASA para utilizar la tecnología de IA para explorar nuestro planeta y sistema solar. Se une a la familia Prithvi de modelos fundacionales, que incluye un modelo geoespacial y un modelo meteorológico. El año pasado, IBM y la NASA lanzaron el modelo meteorológico Prithvi en Hugging Face para que los científicos y la comunidad en general desarrollen proyecciones meteorológicas y climáticas a corto y largo plazo. El valor del trabajo en equipo y tecnologías open source que permiten la colaboración de todos ve en este caso uno de sus mejores ejemplos.