▶ 学校法人慶應義塾の特許一覧 ▶ 独立行政法人産業技術総合研究所の特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024077831
(43)【公開日】2024-06-10
(54)【発明の名称】予測装置、予測方法及びプログラム
(51)【国際特許分類】
G16Z 99/00 20190101AFI20240603BHJP
G06Q 10/04 20230101ALI20240603BHJP
G01W 1/00 20060101ALN20240603BHJP
【ＦＩ】
G16Z99/00
G06Q10/04
G01W1/00 Z
【審査請求】未請求
【請求項の数】12
【出願形態】ＯＬ
(21)【出願番号】P 2022190017
(22)【出願日】2022-11-29
【新規性喪失の例外の表示】特許法第３０条第２項適用申請有り ・令和４年５月２７日に公開された２０２２年度人工知能学会全国大会（第３６回）の大会論文集のウェブサイト ・令和４年６月１４日から１７日に開催された２０２２年度人工知能学会全国大会（第３６回） ・令和４年８月３０日に公開された２０２２年 第２１回情報科学技術フォーラム講演論文集／ＤＶＤ－ＲＯＭ （２件） ・令和４年９月１３日から１５日に開催された２０２２年 第２１回情報科学技術フォーラム（２件） ・令和４年１１月２４日に公開されたＡＣＣＶ２０２２／国際学会の発表論文集のウェブサイト
【国等の委託研究の成果に係る記載事項】（出願人による申告）２０２０年度、国立研究開発法人新エネルギー・産業技術総合開発機構（ＮＥＤＯ）、人と共に進化する次世代人工知能に関する技術開発事業、「実世界に埋め込まれる人間中心の人工知能技術の研究開発」委託事業、産業技術力強化法第１７条の適用を受ける特許出願
(71)【出願人】
【識別番号】598121341
【氏名又は名称】慶應義塾
(71)【出願人】
【識別番号】301021533
【氏名又は名称】国立研究開発法人産業技術総合研究所
(74)【代理人】
【識別番号】100107766
【弁理士】
【氏名又は名称】伊東 忠重
(74)【代理人】
【識別番号】100070150
【弁理士】
【氏名又は名称】伊東 忠彦
(72)【発明者】
【氏名】杉浦 孔明
(72)【発明者】
【氏名】和田 唯我
(72)【発明者】
【氏名】兼田 寛大
(72)【発明者】
【氏名】飯田 紡
【テーマコード（参考）】
5L010
5L049
【Ｆターム（参考）】
5L010AA04
5L049AA04
5L049DD01
(57)【要約】
【課題】太陽フレアの規模を精度良く予測する。
【解決手段】予測装置が、予測基準時刻より前に撮影された太陽全体の磁場画像の時系列を取得する画像取得部と、予測基準時刻より前に観測された宇宙空間に由来する観測データから太陽の活動領域に関する物理特徴量の時系列を抽出する特徴量抽出部と、磁場画像の時系列及び物理特徴量の時系列に太陽フレアの規模を表す情報が付与された学習データを用いて学習された予測モデルに、画像取得部で取得された磁場画像の時系列及び特徴量抽出部で抽出された物理特徴量の時系列を入力することで、予測基準時刻以降に発生する太陽フレアの規模を予測する予測部と、を備える。
【選択図】図８
【解決手段】予測装置が、予測基準時刻より前に撮影された太陽全体の磁場画像の時系列を取得する画像取得部と、予測基準時刻より前に観測された宇宙空間に由来する観測データから太陽の活動領域に関する物理特徴量の時系列を抽出する特徴量抽出部と、磁場画像の時系列及び物理特徴量の時系列に太陽フレアの規模を表す情報が付与された学習データを用いて学習された予測モデルに、画像取得部で取得された磁場画像の時系列及び特徴量抽出部で抽出された物理特徴量の時系列を入力することで、予測基準時刻以降に発生する太陽フレアの規模を予測する予測部と、を備える。
【選択図】図８
【特許請求の範囲】
【請求項1】
予測基準時刻より前に撮影された太陽全体の磁場画像の時系列を取得するように構成されている画像取得部と、
前記予測基準時刻より前に観測された宇宙空間に由来する観測データから太陽の活動領域に関する物理特徴量の時系列を抽出するように構成されている特徴量抽出部と、
前記磁場画像の時系列及び前記物理特徴量の時系列に太陽フレアの規模を表す情報が付与された学習データを用いて学習された予測モデルに、前記画像取得部で取得された前記磁場画像の時系列及び前記特徴量抽出部で抽出された前記物理特徴量の時系列を入力することで、前記予測基準時刻以降に発生する太陽フレアの規模を予測するように構成されている予測部と、
を備える予測装置。
前記予測基準時刻より前に観測された宇宙空間に由来する観測データから太陽の活動領域に関する物理特徴量の時系列を抽出するように構成されている特徴量抽出部と、
前記磁場画像の時系列及び前記物理特徴量の時系列に太陽フレアの規模を表す情報が付与された学習データを用いて学習された予測モデルに、前記画像取得部で取得された前記磁場画像の時系列及び前記特徴量抽出部で抽出された前記物理特徴量の時系列を入力することで、前記予測基準時刻以降に発生する太陽フレアの規模を予測するように構成されている予測部と、
を備える予測装置。
【請求項2】
請求項１に記載の予測装置であって、
前記予測モデルは、
前記磁場画像から画像特徴量を抽出する特徴抽出層と、
前記物理特徴量の次元を削減する次元削減層と、
前記特徴抽出層の出力及び前記次元削減層の出力を入力に含む第１系列変換層と、
前記次元削減層の出力及び前記次元削減層の出力を入力に含む第２系列変換層と、
を含む予測装置。
前記予測モデルは、
前記磁場画像から画像特徴量を抽出する特徴抽出層と、
前記物理特徴量の次元を削減する次元削減層と、
前記特徴抽出層の出力及び前記次元削減層の出力を入力に含む第１系列変換層と、
前記次元削減層の出力及び前記次元削減層の出力を入力に含む第２系列変換層と、
を含む予測装置。
【請求項3】
請求項２に記載の予測装置であって、
前記第１系列変換層は、前記特徴抽出層の出力をクエリとし、前記次元削減層の出力をキー及びバリューに含む第１注意機構を含み、
前記第２系列変換層は、前記次元削減層の出力をクエリとし、前記特徴抽出層の出力をキー及びバリューに含む第２注意機構を含む、
予測装置。
前記第１系列変換層は、前記特徴抽出層の出力をクエリとし、前記次元削減層の出力をキー及びバリューに含む第１注意機構を含み、
前記第２系列変換層は、前記次元削減層の出力をクエリとし、前記特徴抽出層の出力をキー及びバリューに含む第２注意機構を含む、
予測装置。
【請求項4】
請求項１から３のいずれかに記載の予測装置であって、
前記予測部は、前記予測基準時刻直後の所定の時間長の時間区間で発生する太陽フレアの最大のクラスを出力するように構成されている、
予測装置。
前記予測部は、前記予測基準時刻直後の所定の時間長の時間区間で発生する太陽フレアの最大のクラスを出力するように構成されている、
予測装置。
【請求項5】
請求項１から３のいずれかに記載の予測装置であって、
前記予測部は、前記予測基準時刻直後の所定の時間長の時間区間で観測されるＸ線強度の最大値を出力するように構成されている、
予測装置。
前記予測部は、前記予測基準時刻直後の所定の時間長の時間区間で観測されるＸ線強度の最大値を出力するように構成されている、
予測装置。
【請求項6】
請求項４に記載の予測装置であって、
前記予測モデルは、太陽フレアの予測結果に関する評価指標に基づく項を有する損失関数を用いて学習されている、
予測装置。
前記予測モデルは、太陽フレアの予測結果に関する評価指標に基づく項を有する損失関数を用いて学習されている、
予測装置。
【請求項7】
請求項６に記載の予測装置であって、
前記評価指標は、精度に関する評価指標及び信頼性に関する評価指標を含む、
予測装置。
前記評価指標は、精度に関する評価指標及び信頼性に関する評価指標を含む、
予測装置。
【請求項8】
請求項４に記載の予測装置であって、
前記予測モデルは、前記学習データにおける前記クラスごとの発生頻度に基づいて学習された後、前記クラスごとの発生頻度が均等となるように前記学習データから抽出した第２の学習データを用いて出力層を再学習されている、
予測装置。
前記予測モデルは、前記学習データにおける前記クラスごとの発生頻度に基づいて学習された後、前記クラスごとの発生頻度が均等となるように前記学習データから抽出した第２の学習データを用いて出力層を再学習されている、
予測装置。
【請求項9】
請求項３に記載の予測装置であって、
前記予測部は、前記第１注意機構又は前記第２注意機構から得られるアテンションマップを出力するように構成されている、
予測装置。
前記予測部は、前記第１注意機構又は前記第２注意機構から得られるアテンションマップを出力するように構成されている、
予測装置。
【請求項10】
請求項９に記載の予測装置であって、
前記予測部は、前記アテンションマップに従って着色したヒートマップを前記磁場画像と共に出力するように構成されている、
予測装置。
前記予測部は、前記アテンションマップに従って着色したヒートマップを前記磁場画像と共に出力するように構成されている、
予測装置。
【請求項11】
コンピュータが、
予測基準時刻より前に撮影された太陽全体の磁場画像の時系列を取得する画像取得手順と、
前記予測基準時刻より前に観測された宇宙空間に由来する観測データから太陽の活動領域に関する物理特徴量の時系列を抽出する特徴量抽出手順と、
前記磁場画像の時系列及び前記物理特徴量の時系列に太陽フレアの規模を表す情報が付与された学習データを用いて学習された予測モデルに、前記画像取得手順で取得された前記磁場画像の時系列及び前記特徴量抽出手順で抽出された前記物理特徴量の時系列を入力することで、前記予測基準時刻以降に発生する太陽フレアの規模を予測する予測手順と、
を実行する予測方法。
予測基準時刻より前に撮影された太陽全体の磁場画像の時系列を取得する画像取得手順と、
前記予測基準時刻より前に観測された宇宙空間に由来する観測データから太陽の活動領域に関する物理特徴量の時系列を抽出する特徴量抽出手順と、
前記磁場画像の時系列及び前記物理特徴量の時系列に太陽フレアの規模を表す情報が付与された学習データを用いて学習された予測モデルに、前記画像取得手順で取得された前記磁場画像の時系列及び前記特徴量抽出手順で抽出された前記物理特徴量の時系列を入力することで、前記予測基準時刻以降に発生する太陽フレアの規模を予測する予測手順と、
を実行する予測方法。
【請求項12】
コンピュータに、
予測基準時刻より前に撮影された太陽全体の磁場画像の時系列を取得する画像取得手順と、
前記予測基準時刻より前に観測された宇宙空間に由来する観測データから太陽の活動領域に関する物理特徴量の時系列を抽出する特徴量抽出手順と、
前記磁場画像の時系列及び前記物理特徴量の時系列に太陽フレアの規模を表す情報が付与された学習データを用いて学習された予測モデルに、前記画像取得手順で取得された前記磁場画像の時系列及び前記特徴量抽出手順で抽出された前記物理特徴量の時系列を入力することで、前記予測基準時刻以降に発生する太陽フレアの規模を予測する予測手順と、
を実行させるためのプログラム。
予測基準時刻より前に撮影された太陽全体の磁場画像の時系列を取得する画像取得手順と、
前記予測基準時刻より前に観測された宇宙空間に由来する観測データから太陽の活動領域に関する物理特徴量の時系列を抽出する特徴量抽出手順と、
前記磁場画像の時系列及び前記物理特徴量の時系列に太陽フレアの規模を表す情報が付与された学習データを用いて学習された予測モデルに、前記画像取得手順で取得された前記磁場画像の時系列及び前記特徴量抽出手順で抽出された前記物理特徴量の時系列を入力することで、前記予測基準時刻以降に発生する太陽フレアの規模を予測する予測手順と、
を実行させるためのプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、予測装置、予測方法及びプログラムに関する。
【背景技術】
【0002】
宇宙空間に生じる現象を予測する宇宙天気予報システムが利用されている。例えば、特許文献１には、宇宙空間に生じる現象を予測するための予測システムが開示されている。特許文献１に開示された予測システムは、宇宙空間に由来する時系列の観測データを取得し、観測データのうち予測タイミングより前のデータ要素に基づいて複数の特徴量を算出し、算出された複数の特徴量を予測モデルに与えることで、予測タイミングに引き続く所定長さの予測期間内において、１または複数の事象の各々が発生する確率を算出する。
【0003】
宇宙空間で生じる様々な現象の中でも、太陽で生じる爆発現象（一般的に「太陽フレア」と呼ばれる）の予測は重要である。太陽フレアによって放出されるＸ線又は高エネルギー粒子等は、例えば、電波障害、停電、又は宇宙飛行士への健康的被害等をもたらすことが知られている。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開２０１９－１９７３２３号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
しかしながら、従来技術では、太陽フレアの予測性能が低いという課題がある。例えば、従来技術では、実際に発生する太陽フレアよりも規模を小さく予測することがある。
【0006】
本発明の一態様は、上記のような技術的課題に鑑みて、太陽フレアの規模を精度良く予測することを目的とする。
【課題を解決するための手段】
【0007】
上記の課題を解決するために、本発明の一態様による予測装置は、予測基準時刻より前に撮影された太陽全体の磁場画像の時系列を取得する画像取得部と、予測基準時刻より前に観測された宇宙空間に由来する観測データから太陽の活動領域に関する物理特徴量の時系列を抽出する特徴量抽出部と、磁場画像の時系列及び物理特徴量の時系列に太陽フレアの規模を表す情報が付与された学習データを用いて学習された予測モデルに、画像取得部で取得された磁場画像の時系列及び特徴量抽出部で抽出された物理特徴量の時系列を入力することで、予測基準時刻以降に発生する太陽フレアの規模を予測する予測部と、を備える。
【発明の効果】
【0008】
本発明の一態様によれば、太陽フレアの規模を精度良く予測することができる。
【図面の簡単な説明】
【0009】
【図1】太陽フレア予測システムの全体構成の一例を示すブロック図である。
【図2】太陽フレアクラスごとの発生頻度の一例を示すグラフである。
【図3】太陽フレア予測タスクの一例を示すブロック図である。
【図4】予測モデルの一例を示すブロック図である。
【図5】第１実施形態における予測モデルの具体例を示すブロック図である。
【図6】第１実施形態における画像特徴抽出器の具体例を示すブロック図である。
【図7】コンピュータのハードウェア構成の一例を示すブロック図である。
【図8】太陽フレア予測システムの機能構成の一例を示すブロック図である。
【図9】第１実施形態における学習処理の一例を示すフローチャートである。
【図10】予測処理の一例を示すフローチャートである。
【図11】第２実施形態における予測モデルの具体例を示すブロック図である。
【図12】第２実施形態における画像特徴抽出器の具体例を示すブロック図である。
【図13】第２実施形態における学習処理の一例を示すフローチャートである。
【図14】データセットのサンプル数の一例を示す図である。
【図15】ハイパーパラメータの一例を示す図である。
【図16】実験結果の一例を示す図である。
【発明を実施するための形態】
【0010】
以下、本発明の各実施形態について添付の図面を参照しながら説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省略する。
【0011】
本明細書において、「＾」は本来直後の文字の真上に表記されるべき記号であるが、テキスト記法の制限により本文中では直前に表記している。数式中では本来の文字の真上に表記する。
【0012】
［第１実施形態］
太陽フレアに代表される大規模な太陽活動は、例えば、電波障害、停電、又は宇宙飛行士への健康的被害等、様々な影響をもたらすことが知られている。例えば、経済損失に関する試算では、1859年に発生した「キャリントン・イベント」と同等の太陽フレアが発生した場合、北米全体で約1,630億ドルの損失が生じると推定されている。したがって、太陽フレアの予測は極めて重要なタスクである。
太陽フレアに代表される大規模な太陽活動は、例えば、電波障害、停電、又は宇宙飛行士への健康的被害等、様々な影響をもたらすことが知られている。例えば、経済損失に関する試算では、1859年に発生した「キャリントン・イベント」と同等の太陽フレアが発生した場合、北米全体で約1,630億ドルの損失が生じると推定されている。したがって、太陽フレアの予測は極めて重要なタスクである。
【0013】
太陽フレアを正確に予測することは、専門家であっても非常に困難である。太陽フレアの予測性能に関する評価指標には、完璧な予測に対してスコア１．０を返すＧＭＧＳ(Gandin-Murphy-Gerrity score)、ＢＳＳ（Brier Skill Score）及びＴＳＳ（True Skill Statistics）等がある。例えば、2010年から2015年までの期間における専門家予測を評価すると、ＧＭＧＳが０．４８、ＢＳＳ≧Ｍが０．１６、ＴＳＳ≧Ｍが０．５０程度であった。
【0014】
太陽フレアを予測する従来技術には、以下のようなものがある。例えば、参考文献１には、太陽の観測画像を畳み込みニューラルネットワーク（CNN; Convolutional Neural Network）に入力して、太陽フレアの発生確率をクラス（規模）ごとに算出する方法が開示されている。
【0015】
〔参考文献１〕Xin Huang, Huaning Wang, Long Xu, Jinfu Liu, Rong Li, and Xinghua Dai, "Deep Learning Based Solar Flare Forecasting Model. I. Results for Line-of-sight Magnetograms," The Astrophysical Journal, 856:7(11pp), 2018 March 20.
【0016】
例えば、参考文献２には、宇宙空間に由来する観測データから抽出した物理特徴量をディープニューラルネットワーク（DNN; Deep Neural Network）に入力して、黒点等の活動領域ごとに太陽フレアを予測する方法が開示されている（以下、「ＤｅＦＮ」と呼ぶ）。また、参考文献３には、参考文献２に開示された手法を拡張し、予測の信頼性に適したネットワーク構造を採用した手法が開示されている（以下、「ＤｅＦＮ－Ｒ」と呼ぶ）。
【0017】
〔参考文献２〕N. Nishizuka, K. Sugiura, Y. Kubo, M. Den, and M. Ishii, "Deep flare net (DeFN) model for solar flare prediction," The Astrophysical Journal, 858:113(8pp), 2018 May 10.
【0018】
〔参考文献３〕Naoto Nishizuka, Yuki Kubo, Komei Sugiura, Mitsue Den, and Mamoru Ishii, "Reliable Probability Forecast of Solar Flares: Deep FlareNet-Reliable (DeFN-R)," The Astrophysical Journal, 899:150(8pp), 2020 August 20.
【0019】
本発明の一実施形態は、宇宙空間に由来する観測データに基づいて、太陽フレアを予測する太陽フレア予測システムである。一実施形態における太陽フレア予測システムは、太陽全体の磁場画像の時系列及び太陽の活動領域に関する物理特徴量の時系列を学習済みの予測モデルに入力することで、基準時刻以降に発生する太陽フレアの規模に関する予測結果を出力する。
【0020】
本実施形態における予測モデルは、磁場画像の時系列を入力とする磁場画像モジュール（MM; Magnetogram Module）と、物理特徴量の時系列を入力とする黒点特徴モジュール（SFM; Sunspot Feature Module）とを含む。磁場画像モジュール及び黒点特徴モジュールは、入力特徴量間の時間的な対応関係をモデル化するために、注意機構付き系列変換モデルに基づく中間層を有する。本実施形態における注意機構付き系列変換モデルは、例えば、Ｔｒａｎｓｆｏｒｍｅｒである。Ｔｒａｎｓｆｏｒｍｅｒの詳細は、参考文献４に開示されている。
【0021】
〔参考文献４〕Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, and Illia Polosukhin, "Attention Is All You Need," Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS 2017), pp. 6000-6010, December 2017.
【0022】
本実施形態における予測モデルは、太陽フレアの予測性能に関する評価指標に基づく項を有する損失関数を用いて学習される。本実施形態における損失関数は、太陽フレア予測における精度と信頼性とのバランスを最適化するために、精度に関する評価指標に基づく項と、信頼性に関する評価指標に基づく項とを有する。精度に関する評価指標は、例えば、ＧＭＧＳである。信頼性に関する評価指標は、例えば、ＢＳＳである。
【0023】
＜太陽フレア予測システムの全体構成＞
本実施形態における太陽フレア予測システムの全体構成を、図１を参照しながら説明する。図１は、本実施形態における太陽フレア予測システムの全体構成の一例を示すブロック図である。
本実施形態における太陽フレア予測システムの全体構成を、図１を参照しながら説明する。図１は、本実施形態における太陽フレア予測システムの全体構成の一例を示すブロック図である。
【0024】
図１に示されているように、本実施形態における太陽フレア予測システム１は、観測衛星３、地上観測施設４、地上受信施設５、収集装置１０、予測装置２０及びユーザ端末３０を含む。地上観測施設４は、望遠鏡４１及び観測装置４２を含む。地上受信施設５は、アンテナ５１及び通信装置５２を含む。地上観測施設４、地上受信施設５、収集装置１０、予測装置２０及びユーザ端末３０は、ＬＡＮ（Local Area Network）又はインターネット等の通信ネットワークを介してデータ通信可能に接続されている。
【0025】
観測衛星３は、宇宙空間において太陽２から放射される各種電磁波又は粒子等を観測する人工衛星である。観測衛星３は、観測結果を表す電波を地球上へ随時送信する。
【0026】
地上観測施設４は、地球上から太陽２を観測する設備を有する施設である。望遠鏡４１は、光学望遠鏡及び電波望遠鏡の少なくとも一方である。電波望遠鏡は、例えば、電波へリオグラフ、太陽電波強度偏頗計、ミリ波電波望遠鏡、又はミリ波干渉計等である。観測装置４２は、望遠鏡４１により観測された信号に基づいて時系列の観測データを出力する。
【0027】
地上受信施設５は、地球上で観測衛星３と通信する設備を有する施設である。アンテナ５１は、観測衛星３から送信された電波を受信する。通信装置５２は、アンテナ５１により受信された電波を信号処理して時系列の観測データを出力する。
【0028】
収集装置１０は、地上観測施設４及び地上受信施設５から観測データを収集するパーソナルコンピュータ、ワークステーション、サーバ等の情報処理装置である。収集装置１０は、地上観測施設４及び地上受信施設５から収集した観測データを蓄積する。収集装置１０は、予測装置２０からの要求に応じて、蓄積している観測データを予測装置２０に提供する。
【0029】
収集装置１０は、地上観測施設４及び地上受信施設５の一方のみから観測データを収集してもよい。収集装置１０は、複数の地上観測施設４から複数の観測データを収集してもよい。収集装置１０は、複数の地上受信施設５から複数の観測データを収集してもよい。収集装置１０は、単一の地上観測施設４に配置された複数の望遠鏡４１により観測された複数の観測データを収集してもよい。収集装置１０は、単一の地上受信施設５で複数の観測衛星３から受信した複数の観測データを収集してもよい。
【0030】
予測装置２０は、収集装置１０から提供される観測データに基づいて、太陽フレアを予測するパーソナルコンピュータ、ワークステーション、サーバ等の情報処理装置である。予測装置２０は、磁場画像の時系列及び物理特徴量の時系列に基づいて、太陽フレアの規模を予測する予測モデルを学習する。予測装置２０は、収集装置１０から提供される観測データから磁場画像の時系列及び物理特徴量の時系列を生成し、生成された磁場画像の時系列及び物理特徴量の時系列を学習済みの予測モデルに入力することで、太陽フレアの規模を予測する。
【0031】
ユーザ端末３０は、太陽フレア予測システム１のユーザが操作するパーソナルコンピュータ、タブレット端末、スマートフォン等の情報処理端末である。ユーザ端末３０は、ユーザの操作に応じて、予測装置２０に太陽フレアの予測結果を要求する。ユーザ端末３０は、予測装置２０から太陽フレアの予測結果を受信し、ユーザに対して出力する。
【0032】
なお、図１に示した太陽フレア予測システム１の全体構成は一例であって、用途や目的に応じて様々なシステム構成例があり得る。例えば、収集装置１０及び予測装置２０は、複数台のコンピュータにより実現してもよいし、クラウドコンピューティングのサービスとして実現してもよい。また、例えば、太陽フレア予測システム１は、収集装置１０、予測装置２０及びユーザ端末３０がそれぞれ備えるべき機能を兼ね備えたスタンドアローンの情報処理装置として実現してもよい。
【0033】
≪太陽フレア予測タスク≫
本実施形態における太陽フレア予測タスクは、基準時刻直前の第１の時間長の時間区間（以下、「取得期間」とも呼ぶ）に観測された観測データに基づいて、基準時刻直後の第２の時間長の時間区間（（以下、「予測期間」とも呼ぶ））に発生する最大の太陽フレアクラス（以下、単に「クラス」とも呼ぶ）を予測するタスクである。本実施形態では、取得期間の時間長を４時間とし、予測期間の時間長を２４時間とする。ただし、取得期間及び予測期間の時間長はこれらに限定されず、任意に決定することが可能である。
本実施形態における太陽フレア予測タスクは、基準時刻直前の第１の時間長の時間区間（以下、「取得期間」とも呼ぶ）に観測された観測データに基づいて、基準時刻直後の第２の時間長の時間区間（（以下、「予測期間」とも呼ぶ））に発生する最大の太陽フレアクラス（以下、単に「クラス」とも呼ぶ）を予測するタスクである。本実施形態では、取得期間の時間長を４時間とし、予測期間の時間長を２４時間とする。ただし、取得期間及び予測期間の時間長はこれらに限定されず、任意に決定することが可能である。
【0034】
太陽フレアクラスは、太陽フレアの規模を表す指標である。本実施形態における太陽フレアクラスは、Ｘ線等級を用いるものとする。本実施形態では、太陽フレアにより放射されるＸ線強度の最大値が大きい方から、Ｘ，Ｍ，Ｃ，Ｏの計４つのクラスを規定する。実用上は、Ｘ，Ｍ，Ｃクラスの太陽フレアの発生確率が重要である。特に、発生頻度が相対的に高いＭクラス及びＣクラスに注目されることが多い。なお、太陽フレアクラスの指標としては、Ｘ線等級に代えて、Ｈα等級又はＲスケール等を用いてもよい。
【0035】
時刻ｔにおける太陽フレアクラスは、Ｘ線強度の最大値ｐｔにより、次式のように定義される。ただし、ｐｔは時刻ｔから１時間以内のＸ線強度の最大値であり、ｆｌａｒｅｃｌａｓｓ（・）は４種類の太陽フレアクラス（Ｘ，Ｍ，Ｃ，Ｏ）についての１－ｏｆ－Ｋ表現である。
【0036】
【数1】
【0037】
本タスクの入力は、時刻（ｔ－ｋ，ｔ］（時刻ｔ－ｋから時刻ｔまでのうち時刻ｔ－ｋを含まない半開区間）における１時間ごとの磁場画像Ｖｔ－ｋ＋１，ｔ及び物理特徴量Ｆｔ－ｋ＋１，ｔである。本タスクの出力は、各太陽フレアクラスに関する予測確率を示す４次元ベクトルｐ（＾ｙｔ）である。
【0038】
本タスクでは、モデル出力ｐ（＾ｙｔ）とｙｔとが等しくなることが望ましい。しかしながら、太陽フレアは各クラスの発生頻度が不均衡である。図２は、クラスごとの発生頻度の一例を示すグラフである。図２に示したグラフは、2010年から2017年までに発生した太陽フレアのクラスごとの割合を示している。図２に示されているように、Ｘクラスは全体の１％、Ｍクラスは全体の８％であり、９０％以上の太陽フレアはＣクラス以下である。
【0039】
上記のように太陽フレアはクラスごとの発生頻度が不均衡であるため、各クラスを均等に評価する損失関数を用いて予測モデルを学習すると、全体の９０％を占めるＯクラス又はＣクラスといった自明な解が出力されることになる。こうした自明な解を避けるため、本タスクでは、本分野において標準的に用いられている評価尺度を用いて予測結果を評価する。具体的には、本タスクにおける評価尺度には、ＧＭＧＳ、ＢＳＳ≧Ｍ、ＴＳＳ≧Ｍを用いる。なお、「≧Ｍ」は、太陽フレアクラスがＭクラス以上（すなわち、Ｘクラス又はＭクラス）、又は太陽フレアクラスがＭクラス未満（すなわち、Ｃクラス又はＯクラス）の二値として評価したことを示す。
【0040】
【0041】
図３に示されているように、太陽フレア予測タスクでは、任意の基準時刻に対して、基準時刻の直前の取得期間における磁場画像の時系列及び物理特徴量の時系列に基づいて、基準時刻直後の予測期間において太陽フレアが発生する確率がクラスごとに算出される。取得期間は、例えば、４時間である。予測期間は、例えば、２４時間である。
【0042】
なお、本実施形態における太陽フレア予測タスクで算出される発生確率は、例えば、Ｍクラス以上の太陽フレアが発生する確率及びＣクラス以下の太陽フレアが発生する確率をそれぞれ算出するようにしてもよい。
【0043】
以下、学習処理における基準時刻を「学習基準時刻」とも呼ぶ。また、予測処理における基準時刻を「予測基準時刻」とも呼ぶ。実運用では、予測契機が発生したときの現在時刻が予測基準時刻となる。予測契機は、太陽フレアを予測する契機となる事象である。例えば、予測契機は、所定の時間間隔（例えば、１時間）が経過したときである。また、例えば、ユーザから予測の実行を要求されたときを予測契機としてもよい。
【0044】
≪観測データ≫
本実施形態における観測データは、世界各国において整備されている観測設備から取得することができる。例えば、アメリカ航空宇宙局（NASA; National Aeronautics and Space Administration）が管理する太陽観測衛星であるソーラー・ダイナミクス・オブザーバトリー（SDO; Solar Dynamics Observatory）、及び、アメリカ海洋大気庁（NOAA; National Oceanic and Atmospheric Administration）が管理する気象衛星であるゴーズ（GOES; Geostationary Operational Environmental Satellite）等により収集された観測データを利用することができる。
本実施形態における観測データは、世界各国において整備されている観測設備から取得することができる。例えば、アメリカ航空宇宙局（NASA; National Aeronautics and Space Administration）が管理する太陽観測衛星であるソーラー・ダイナミクス・オブザーバトリー（SDO; Solar Dynamics Observatory）、及び、アメリカ海洋大気庁（NOAA; National Oceanic and Atmospheric Administration）が管理する気象衛星であるゴーズ（GOES; Geostationary Operational Environmental Satellite）等により収集された観測データを利用することができる。
【0045】
本実施形態では、視線方向磁場画像（line-of-sight magnetogram）、ベクトル磁場画像（vector magnetogram）、１６００Åフィルター処理がなされた極端紫外線（EUV; Extreme Ultraviolet）高温コロナ発光画像（hot coronal brightening)、１３１Åフィルター処理がなされた極端紫外線高温コロナ発光画像、軟Ｘ線放射強度曲線（the light curves of the soft X-ray emission）等を、観測データとして利用することができる。
【0046】
視線方向磁場画像は、例えば、ＳＤＯに搭載されたＨＭＩ（Helioseismic and Magnetic Imager）により観測される。また、光球上部の紫外線連続光は、例えば、ＳＤＯに搭載されたＡＩＡ（Atmospheric Imaging Assembly）の１６００Åフィルター処理結果により得られる。太陽フレアが生じている領域のＥＵＶ高温コロナ発光画像は、例えば、ＳＤＯによる１３１Åフィルター処理結果により得られる。１－８Åの範囲にわたるＸ線放射の全面積分値は、例えば、ＧＯＥＳにより観測される。
【0047】
視線方向磁場画像の観測周期は、例えば、４５秒である。ベクトル磁場画像の観測周期は、例えば、１２分である。１６００Åフィルター処理画像及び１３１Åフィルター処理画像の観測周期は、例えば、いずれも１２秒である。ＧＯＥＳの観測周期は、例えば、１分以下である。このような観測周期で生じるデータサイズ等を考慮して、本実施形態における太陽フレア予測システム１では、例えば、１時間周期で物理特徴量の抽出を行うものとする。
【0048】
≪物理特徴量≫
物理特徴量は、例えば、ＳＤＯ及びＧＯＥＳにより収集された観測データから抽出される特徴量である。本実施形態では、物理特徴量は９０種類の特徴量を用いる。各特徴量の詳細は、参考文献５に開示されている。
物理特徴量は、例えば、ＳＤＯ及びＧＯＥＳにより収集された観測データから抽出される特徴量である。本実施形態では、物理特徴量は９０種類の特徴量を用いる。各特徴量の詳細は、参考文献５に開示されている。
【0049】
〔参考文献５〕N. Nishizuka, K. Sugiura, Y. Kubo, M. Den, S. Watari, and M. Ishii, "Solar flare prediction model with three machine-learning algorithms using ultraviolet brightening and vector magnetograms," The Astrophysical Journal, 835:156(10pp), 2017 February 1.
【0050】
本実施形態における物理特徴量は、太陽の活動領域（AR; active regions）に関する特徴量である。太陽の活動領域は、例えば、太陽黒点である。太陽の活動領域は、視線方向磁場画像の全面画像から検出するとよい。視線方向磁場画像は、ベクトル磁場画像と比較してノイズが少なく、活動領域の検出処理をより正確に実行できる。
【0051】
太陽の活動領域は、例えば、各視線方向磁場画像において、予め定められた閾値（例えば、１４０ガウス）以上の領域を探索及び抽出することで検出することができる。視線方向磁場画像から検出された活動領域のフレーム内の座標位置は、他の画像（すなわち、異なる波長で観測された画像）にも適用される。なお、光球面画像（photospheric images）において天体の外縁に検出された活動領域については、無効なものとして物理特徴量の算出対象から除外してもよい。検出された活動領域をトラッキングするにあたって、ユニークな識別番号を付与してもよい。より具体的な活動領域の検出方法については、参考文献５等を参照されたい。
【0052】
本実施形態では、ＳＤＯにより収集された視線方向磁場画像、ベクトル磁場画像、及び１６００Åフィルター処理がなされたＥＵＶ高温コロナ発光画像、並びにＧＯＥＳにより収集された１－８Åの範囲のＸ線データから、予測に用いる物理特徴量が算出される。さらに、１０７Ｋ以上の温度で放出される２０価の鉄イオン（ＦｅＸＸ）および２３価の鉄イオン（ＦｅＸＸＩＩＩ）の輝線発光を示す、１３１Åフィルター処理がなされた極端紫外線高温コロナ発光画像から、物理特徴量が算出されてもよい。
【0053】
実用上の予測を想定すると、１３１Åフィルター処理がなされたＥＵＶ高温コロナ発光画像、及びＧＯＥＳにより収集されたＸ線データの直前１時間前及び直前２時間前の画像を物理特徴量として採用してもよい。また、１３１Åフィルター処理がなされたＥＵＶ高温コロナ発光画像における各活動領域における最大強度を物理特徴量として採用してもよい。
【0054】
本実施形態では、参考文献５に開示されている９０種類の特徴量が、検出された活動領域の各々について算出される。本実施形態では、各物理特徴量を要素とする特徴量ベクトルを生成して、学習済みの予測モデルに入力することで、太陽フレアの発生確率が推定される。なお、上述した物理特徴量のすべてを含む特徴量ベクトルを必ずしも生成する必要はなく、その一部を用いるように構成してもよい。
【0055】
【0056】
図４に示されているように、本実施形態における予測モデルは、磁場画像の時系列及び物理特徴量の時系列を入力とし、太陽フレアの予測結果を出力するディープニューラルネットワークである。本実施形態における予測モデルは、画像特徴抽出層１１０、次元削減層１２０、磁場画像系列変換層１３０、物理特徴量系列変換層１４０及び出力層１５０を含む。
【0057】
画像特徴抽出層１１０は、予測モデルに入力された磁場画像の時系列に含まれる各磁場画像から画像特徴量を抽出する。画像特徴抽出層１１０の出力は、磁場画像系列変換層１３０及び物理特徴量系列変換層１４０に入力される。
【0058】
次元削減層１２０は、予測モデルに入力された物理特徴量の時系列に含まれる各物理特徴量の次元数を削減する。次元削減層１２０の出力は、磁場画像系列変換層１３０及び物理特徴量系列変換層１４０に入力される。
【0059】
磁場画像系列変換層１３０及び物理特徴量系列変換層１４０は、画像特徴抽出層１１０の出力及び次元削減層１２０の出力を入力とし、磁場画像の時系列と物理特徴量の時系列との対応関係を計算する系列変換モデルである。磁場画像系列変換層１３０及び物理特徴量系列変換層１４０の出力は、出力層１５０に入力される。
【0060】
磁場画像系列変換層１３０及び物理特徴量系列変換層１４０は、注意機構付き系列変換モデルに基づく中間層である。磁場画像系列変換層１３０は、画像特徴抽出層１１０の出力をクエリとし、次元削減層１２０の出力をキー及びバリューに含む注意機構を有する。物理特徴量系列変換層１４０は、次元削減層１２０の出力をクエリとし、画像特徴抽出層１１０の出力をキー及びバリューに含む注意機構を有する。
【0061】
出力層１５０は、磁場画像系列変換層１３０の出力及び物理特徴量系列変換層１４０の出力に基づいて、太陽フレアのクラスごとの発生確率を計算する。本実施形態における出力層１５０は、発生確率が最も高いクラスを予測結果として出力する。
【0062】
（ネットワーク構造）
図５は、本実施形態における予測モデルの具体例を示すブロック図である。図５に示されているように、本実施形態における予測モデル１０００は、磁場画像モジュール（Magnetogram Module）１００１、黒点特徴モジュール（Sunspot Feature Module）１００２及び出力層（Feed Forward & Softmax）１５００を含む。
図５は、本実施形態における予測モデルの具体例を示すブロック図である。図５に示されているように、本実施形態における予測モデル１０００は、磁場画像モジュール（Magnetogram Module）１００１、黒点特徴モジュール（Sunspot Feature Module）１００２及び出力層（Feed Forward & Softmax）１５００を含む。
【0063】
磁場画像モジュール１００１は、画像特徴抽出器（Image Feature Extractor）１１００及びＴｒａｎｓｆｏｒｍｅｒ層（Transformer Layer）１３００を含む。Ｔｒａｎｓｆｏｒｍｅｒ層１３００は、多頭注意層（Multi-head Attention）１３０１、順伝播層（Feed Forward）１３０２及びバッチ正規化層（Batch Norm）１３０３を含むネットワークがＮＶ層接続されて構成される。なお、ＮＶは１以上の整数であり、例えば１である。
【0064】
黒点特徴モジュール１００２は、順伝播層１２０１、バッチ正規化層１２０２及びＴｒａｎｓｆｏｒｍｅｒ層１４００を含む。Ｔｒａｎｓｆｏｒｍｅｒ層１４００は、多頭注意層１４０１、順伝播層１４０２及びバッチ正規化層１４０３を含むネットワークがＮＦ層接続されて構成される。なお、ＮＦは１以上の整数であり、例えば２である。
【0065】
予測モデル１０００の入力ｘは、次式で定義される。ただし、ｖｔ∈Ｒ５１２×５１２は時刻ｔにおける磁場画像であり、ｆｔ∈Ｒ９０は時刻ｔにおける物理特徴量である。
【0066】
【数2】
【0067】
磁場画像モジュール１００１では、磁場画像Ｖｔ－ｋ＋１：ｔが次式のように計算される。ただし、ｆＦＥは画像特徴抽出器１１００である。本実施形態における画像特徴抽出器１１００の出力ｈｖは、１２８次元のベクトルである。
【0068】
【数3】
【0069】
黒点特徴モジュール１００２では、物理特徴量Ｆｔ－ｋ＋１：ｔが次式のように計算される。ただし、ｆＢＮはバッチ正規化層１２０２であり、ｆＦＦＮは順伝播層１２０１である。本実施形態におけるバッチ正規化層１２０２の出力ｈＦは、１２８次元のベクトルである。
【0070】
【数4】
【0071】
Ｔｒａｎｓｆｏｒｍｅｒ層１３００では、磁場画像Ｖｔ－ｋ＋１：ｔと物理特徴量Ｆｔ－ｋ＋１：ｔとの対応関係が計算される。Ｔｒａｎｓｆｏｒｍｅｒ層１３００の入力は、クエリｑがｈＶであり、キーｋ及びバリューｖがｈＶＦである。なお、ｈＶＦは画像特徴抽出器１１００の出力ｈＶとバッチ正規化層１２０２の出力ｈＦとを結合することで得られる。
【0072】
Ｎ（≧２）層目以降のＴｒａｎｓｆｏｒｍｅｒ層１３００の入力は、クエリｑ、キーｋ及びバリューｖすべてをＮ－１層目のＴｒａｎｓｆｏｒｍｅｒ層１３００の出力とする。もしくは、Ｎ層目以降のＴｒａｎｓｆｏｒｍｅｒ層１３００の入力は、クエリｑをＮ－１層目のＴｒａｎｓｆｏｒｍｅｒ層１３００の出力とし、キーｋ及びバリューｖをＮ－１層目のＴｒａｎｓｆｏｒｍｅｒ層１４００の出力としてもよい。
【0073】
多頭注意層１３０１では、ｈＶ及びｈＶＦがそれぞれｈＶ
（ｉ）∈Ｒｋ×ｄ及びｈＶＦ
（ｉ）∈Ｒｋ×２ｄ（ｉ＝１，…，Ｎｈｅａｄ、ｄ＝Ｈ／Ｎｈｅａｄ）に分割される。ただし、Ｈは隠れ層の数を表し、Ｎｈｅａｄはヘッド数を表す。
【0074】
次に、ｉ番目のヘッドについて、クエリＱ（ｉ）∈Ｒｋ×ｄ、キーＫ（ｉ）∈Ｒｋ×２ｄ及びバリューＶ（ｉ）∈Ｒｋ×２ｄが次式のように計算される。ただし、Ｗｑ
(i)，Ｗｋ
(i)，Ｗｖ
(i)はそれぞれＱ（ｉ），Ｋ（ｉ），Ｖ（ｉ）の重みである。
【0075】
【数5】
【0076】
Ｔｒａｎｓｆｏｒｍｅｒ層１３００の出力ｈｔｒｎは、次式により計算される。
【0077】
【数6】
【0078】
Ｔｒａｎｓｆｏｒｍｅｒ層１４００は、入力されるクエリｑがｈＦである点を除いて、Ｔｒａｎｓｆｏｒｍｅｒ層１３００と同様に計算される。
【0079】
出力層１５０では、予測クラスｙ＊
ｔが次式により計算される。ただし、ｈＭＭは磁場画像モジュール１００１の出力であり、ｈＳＦＭは黒点特徴モジュール１００２の出力であり、ｐ（＾ｙｔｉ）はｉ番目のクラスに関する予測確率である。
【0080】
【数7】
【0081】
図６は、本実施形態における画像特徴抽出器の具体例を示すブロック図である。図６に示されているように、本実施形態における画像特徴抽出器１１００は、畳み込み層（Convolution）１１０１、バッチ正規化層１１０２、活性化関数（ReLU）１１０３、最大プーリング層（Max Pooling）１１０４、畳み込み層１１０５、バッチ正規化層１１０６、活性化関数１１０７、畳み込み層１１０８、バッチ正規化層１１０９、活性化関数１１１０、畳み込み層１１１１、バッチ正規化層１１１２、活性化関数１１１３、平均プーリング層（Average Pooling）１１１４及び平滑化層（Flatten）１１１５を含む。また、本実施形態における画像特徴抽出器１１００は、最大プーリング層１１０４の出力をバッチ正規化層１１１２の出力に加算するスキップコネクションを有する。
【0082】
（損失関数）
本実施形態における予測モデル１０００は、太陽フレア予測の評価指標に基づく項を含む損失関数を用いて学習される。本実施形態における評価指標は、ＧＭＧＳ及びＢＳＳである。以下、ＧＭＧＳに基づく項を「ＧＭＧＳ損失」と呼ぶ。また、ＢＳＳに基づく項を「ＢＳＳ損失」と呼ぶ。
本実施形態における予測モデル１０００は、太陽フレア予測の評価指標に基づく項を含む損失関数を用いて学習される。本実施形態における評価指標は、ＧＭＧＳ及びＢＳＳである。以下、ＧＭＧＳに基づく項を「ＧＭＧＳ損失」と呼ぶ。また、ＢＳＳに基づく項を「ＢＳＳ損失」と呼ぶ。
【0083】
従来技術で用いられている損失関数は、ＧＭＧＳとは無関係な重みを用いてクラス間のバランスを調整している。そのため、ＧＭＧＳの改善には有効ではない。一方で、ＧＭＧＳのスコア行列を重みとして用いることで、ＧＭＧＳを効果的に向上させることができる。
【0084】
ＧＭＧＳ損失ＬＧＭＧＳは次式により定義される。ただし、Ｎはサンプル数であり、Ｉはクラス数であり、ｓｉ＊ｊ＊はＧＭＧＳのスコア行列であり、ｐ（＾ｙｎｉ）はｎ番目のサンプルのｉ番目のクラスに関する予測確率であり、ｙｎｉは正解ラベルであり、ｙ'ｎｉはラベル平滑化されたｙｎである。
【0085】
【数8】
【0086】
ＢＳＳ損失ＬＢＳＳは次式により定義される。なお、ＢＳＳは微分可能であるため、ＢＳＳ損失にそのまま利用することができる。
【0087】
【数9】
【0088】
本実施形態における損失関数Ｌは、次式により定義される。ただし、ＬＣＥはｙｎと＾ｙｎとの交差エントロピー損失であり、λＣＥは交差エントロピー損失の重みであり、λＧＭＧＳはＧＭＧＳ損失の重みであり、λＢＳＳはＢＳＳ損失の重みである。
【0089】
【数10】
【0090】
＜太陽フレア予測システムのハードウェア構成＞
本実施形態における太陽フレア予測システム１に含まれる各装置のハードウェア構成を、図７を参照しながら説明する。
本実施形態における太陽フレア予測システム１に含まれる各装置のハードウェア構成を、図７を参照しながら説明する。
【0091】
≪コンピュータのハードウェア構成≫
本実施形態における収集装置１０、予測装置２０及びユーザ端末３０は、例えばコンピュータにより実現される。図７は、本実施形態におけるコンピュータのハードウェア構成の一例を示すブロック図である。
本実施形態における収集装置１０、予測装置２０及びユーザ端末３０は、例えばコンピュータにより実現される。図７は、本実施形態におけるコンピュータのハードウェア構成の一例を示すブロック図である。
【0092】
図７に示されているように、本実施形態におけるコンピュータ５００は、ＣＰＵ（Central Processing Unit）５０１、ＲＯＭ（Read Only Memory）５０２、ＲＡＭ（Random Access Memory）５０３、ＨＤＤ（Hard Disk Drive）５０４、入力装置５０５、表示装置５０６、通信Ｉ／Ｆ（Interface）５０７及び外部Ｉ／Ｆ５０８を有する。ＣＰＵ５０１、ＲＯＭ５０２及びＲＡＭ５０３は、いわゆるコンピュータを形成する。コンピュータ５００の各ハードウェアは、バスライン５０９を介して相互に接続されている。なお、入力装置５０５及び表示装置５０６は外部Ｉ／Ｆ５０８に接続して利用する形態であってもよい。
【0093】
ＣＰＵ５０１は、ＲＯＭ５０２又はＨＤＤ５０４等の記憶装置からプログラムやデータをＲＡＭ５０３上に読み出し、処理を実行することで、コンピュータ５００全体の制御や機能を実現する演算装置である。
【0094】
ＲＯＭ５０２は、電源を切ってもプログラムやデータを保持することができる不揮発性の半導体メモリ（記憶装置）の一例である。ＲＯＭ５０２は、ＨＤＤ５０４にインストールされている各種プログラムをＣＰＵ５０１が実行するために必要な各種プログラム、データ等を格納する主記憶装置として機能する。具体的には、ＲＯＭ５０２には、コンピュータ５００の起動時に実行されるＢＩＯＳ（Basic Input/Output System）、ＥＦＩ（Extensible Firmware Interface）等のブートプログラムや、ＯＳ（Operating System）設定、ネットワーク設定等のデータが格納されている。
【0095】
ＲＡＭ５０３は、電源を切るとプログラムやデータが消去される揮発性の半導体メモリ（記憶装置）の一例である。ＲＡＭ５０３は、例えば、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等である。ＲＡＭ５０３は、ＨＤＤ５０４にインストールされている各種プログラムがＣＰＵ５０１によって実行される際に展開される作業領域を提供する。
【0096】
ＨＤＤ５０４は、プログラムやデータを格納している不揮発性の記憶装置の一例である。ＨＤＤ５０４に格納されるプログラムやデータには、コンピュータ５００全体を制御する基本ソフトウェアであるＯＳ、及びＯＳ上において各種機能を提供するアプリケーション等がある。なお、コンピュータ５００はＨＤＤ５０４に替えて、記憶媒体としてフラッシュメモリを用いる記憶装置（例えばＳＳＤ：Solid State Drive等）を利用するものであってもよい。
【0097】
入力装置５０５は、ユーザが各種信号を入力するために用いるタッチパネル、操作キーやボタン、キーボードやマウス、音声等の音データを入力するマイクロホン等である。
【0098】
表示装置５０６は、画面を表示する液晶や有機ＥＬ（Electro-Luminescence）等のディスプレイ、音声等の音データを出力するスピーカ等で構成されている。
【0099】
通信Ｉ／Ｆ５０７は、通信ネットワークに接続し、コンピュータ５００がデータ通信を行うためのインタフェースである。
【0100】
外部Ｉ／Ｆ５０８は、外部装置とのインタフェースである。外部装置には、ドライブ装置５１０等がある。
【0101】
ドライブ装置５１０は、記録媒体５１１をセットするためのデバイスである。ここでいう記録媒体５１１には、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体５１１には、ＲＯＭ、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。これにより、コンピュータ５００は外部Ｉ／Ｆ５０８を介して記録媒体５１１の読み取り及び／又は書き込みを行うことができる。
【0102】
なお、ＨＤＤ５０４にインストールされる各種プログラムは、例えば、配布された記録媒体５１１が外部Ｉ／Ｆ５０８に接続されたドライブ装置５１０にセットされ、記録媒体５１１に記録された各種プログラムがドライブ装置５１０により読み出されることでインストールされる。あるいは、ＨＤＤ５０４にインストールされる各種プログラムは、通信Ｉ／Ｆ５０７を介して、通信ネットワークとは異なる他のネットワークよりダウンロードされることでインストールされてもよい。
【0103】
＜太陽フレア予測システムの機能構成＞
本実施形態における太陽フレア予測システムの機能構成を、図８を参照しながら説明する。図８は、本実施形態における太陽フレア予測システム１の機能構成の一例を示すブロック図である。
本実施形態における太陽フレア予測システムの機能構成を、図８を参照しながら説明する。図８は、本実施形態における太陽フレア予測システム１の機能構成の一例を示すブロック図である。
【0104】
≪収集装置の機能構成≫
図８に示されているように、本実施形態における収集装置１０は、観測データ記憶部１００及び観測データ収集部１０１を備える。
図８に示されているように、本実施形態における収集装置１０は、観測データ記憶部１００及び観測データ収集部１０１を備える。
【0105】
観測データ収集部１０１は、例えば、図７に示されているＨＤＤ５０４からＲＡＭ５０３上に展開されたプログラムがＣＰＵ５０１に実行させる処理によって実現される。観測データ記憶部１００は、例えば、図７に示されているＨＤＤ５０４を用いて実現される。
【0106】
観測データ収集部１０１は、地上観測施設４に設置された観測装置４２及び地上受信施設５に設置された通信装置５２から観測データを収集する。観測データ収集部１０１は、収集した観測データを観測データ記憶部１００に記憶する。
【0107】
観測データ記憶部１００には、観測データが蓄積される。観測データは、観測データ収集部１０１により収集される。
【0108】
≪予測装置の機能構成≫
図８に示されているように、本実施形態における予測装置２０は、モデル記憶部２００、データ取得部２０１、画像取得部２０２、特徴量抽出部２０３、モデル学習部２０４及び予測部２０５を備える。
図８に示されているように、本実施形態における予測装置２０は、モデル記憶部２００、データ取得部２０１、画像取得部２０２、特徴量抽出部２０３、モデル学習部２０４及び予測部２０５を備える。
【0109】
データ取得部２０１、画像取得部２０２、特徴量抽出部２０３、モデル学習部２０４及び予測部２０５は、例えば、図７に示されているＨＤＤ５０４からＲＡＭ５０３上に展開されたプログラムがＣＰＵ５０１に実行させる処理によって実現される。モデル記憶部２００は、例えば、図７に示されているＨＤＤ５０４を用いて実現される。
【0110】
モデル記憶部２００には、学習済みの予測モデルが記憶される。予測モデルは、モデル学習部２０４により学習される。
【0111】
データ取得部２０１は、収集装置１０に蓄積された観測データを取得する。データ取得部２０１は、学習処理においては、学習対象とする学習基準時刻直前の取得期間及び学習基準時刻直後の予測期間に含まれる観測データを取得する。データ取得部２０１は、予測処理においては、予測対象とする予測基準時刻直前の取得期間に含まれる観測データを取得する。
【0112】
画像取得部２０２は、データ取得部２０１により取得された観測データから太陽全体の磁場画像の時系列を取得する。画像取得部２０２は、まず、観測データに含まれる複数の磁場画像を所定の時間間隔で取得する。所定の時間間隔は、例えば、１時間である。次に、画像取得部２０２は、取得した磁場画像を撮影日時の順に整列する。これにより、太陽全体の磁場画像の時系列が得られる。
【0113】
本実施形態における磁場画像は、ＳＤＯに搭載されたＨＭＩにより観測された視線方向磁場画像である。なお、１枚の磁場画像には、太陽全体が撮影されている。
【0114】
特徴量抽出部２０３は、データ取得部２０１により取得された観測データから所定の物理特徴量の時系列を抽出する。特徴量抽出部２０３は、まず、観測データから太陽の活動領域を検出する。次に、特徴量抽出部２０３は、所定の時間間隔で物理特徴量の計算に必要な観測データをサンプリングする。所定の時間間隔は、例えば、１時間である。続いて、特徴量抽出部２０３は、検出した活動領域ごとに、各サンプルから所定の物理特徴量を計算する。そして、特徴量抽出部２０３は、計算した物理特徴量を観測日時の順に整列する。これにより、物理特徴量の時系列が得られる。
【0115】
モデル学習部２０４は、学習処理において、画像取得部２０２により取得された磁場画像の時系列及び特徴量抽出部２０３により抽出された物理特徴量の時系列に基づいて学習データを生成し、生成された学習データに基づいて予測モデルを学習する。モデル学習部２０４は、学習済みの予測モデルをモデル記憶部２００に記憶する。
【0116】
予測部２０５は、予測処理において、画像取得部２０２により取得された磁場画像の時系列及び特徴量抽出部２０３により抽出された物理特徴量の時系列を、モデル記憶部２００から読み出した予測モデルに入力することで、太陽フレアの発生確率をクラスごとに予測する。予測部２０５は、ユーザ端末３０からの要求に応じて、太陽フレアの予測結果をユーザ端末３０に送信する。
【0117】
＜太陽フレア予測システムの処理手順＞
本実施形態における太陽フレア予測システム１が実行する予測方法の処理手順を、図９及び図１０を参照しながら説明する。本実施形態における予測方法は、学習処理（図９参照）及び予測処理（図１０参照）を含む。
本実施形態における太陽フレア予測システム１が実行する予測方法の処理手順を、図９及び図１０を参照しながら説明する。本実施形態における予測方法は、学習処理（図９参照）及び予測処理（図１０参照）を含む。
【0118】
≪学習処理≫
図９は、本実施形態における学習処理の一例を示すフローチャートである。
図９は、本実施形態における学習処理の一例を示すフローチャートである。
【0119】
ステップＳ１において、ユーザ端末３０は、ユーザの操作に応じて、予測モデルの学習要求を予測装置２０に送信する。予測装置２０では、データ取得部２０１が、ユーザ端末３０から受信した予測モデルの学習要求に応じて、収集装置１０に観測データの取得要求を送信する。当該取得要求には、学習に用いる観測データの時間範囲を示す情報（開始日時及び終了日時）が含まれてもよい。
【0120】
収集装置１０は、予測装置２０から受信した観測データの取得要求に応じて、観測データ記憶部１００から観測データを読み出す。取得要求に時間範囲を示す情報が含まれる場合、収集装置１０は、当該時間範囲に観測された観測データを読み出す。取得要求に時間範囲を示す情報が含まれない場合、収集装置１０は、蓄積されているすべての観測データを読み出す。収集装置１０は、読み出した観測データを予測装置２０に送信する。
【0121】
予測装置２０では、データ取得部２０１が、収集装置１０から観測データを受信する。データ取得部２０１は、受信した観測データをＨＤＤ５０４等の記憶部に記憶する。
【0122】
ステップＳ２において、予測装置２０が備える画像取得部２０２は、記憶部に記憶されている観測データから太陽全体の磁場画像の時系列を取得する。画像取得部２０２は、まず、観測データの全時間範囲において、観測データに含まれる複数の磁場画像を所定の時間間隔で取得する。取得する時間間隔は、例えば、１時間である。
【0123】
次に、画像取得部２０２は、学習対象とする学習基準時刻を決定する。学習基準時刻は、観測データを取得した時間範囲のうち学習に必要な数の磁場画像を取得可能な全時刻である。
【0124】
続いて、画像取得部２０２は、各学習基準時刻について、撮影日時が当該学習基準時刻直前の取得期間に含まれる磁場画像を選択する。次に、画像取得部２０２は、各学習基準時刻について、選択した各磁場画像を撮影日時の順に整列する。これにより、学習基準時刻ごとの磁場画像の時系列が生成される。
【0125】
画像取得部２０２は、生成した磁場画像の時系列をモデル学習部２０４に送る。モデル学習部２０４は、画像取得部２０２から学習基準時刻ごとの磁場画像の時系列を受け取る。
【0126】
ステップＳ３において、予測装置２０が備える特徴量抽出部２０３は、記憶部に記憶されている観測データから物理特徴量の時系列を抽出する。特徴量抽出部２０３は、まず、観測データに基づいて太陽の活動領域を検出する。次に、特徴量抽出部２０３は、検出した活動領域の位置情報を記憶部等に記憶する。検出済みの活動領域の位置情報が記憶部等に記憶されている場合、活動領域の検出は行わず、記憶部に記憶されている位置情報に基づいて活動領域を特定すればよい。
【0127】
次に、特徴量抽出部２０３は、観測データの全時間範囲において、物理特徴量の計算に必要な観測データを所定の時間間隔でサンプリングする。サンプリングを行う時間間隔は、例えば、１時間である。
【0128】
続いて、特徴量抽出部２０３は、各学習基準時刻について、観測日時が当該学習基準時刻直前の取得期間に含まれるサンプルを選択する。次に、特徴量抽出部２０３は、各学習基準時刻について、活動領域ごとに、選択した各サンプルから所定の物理特徴量を計算する。そして、特徴量抽出部２０３は、計算した物理特徴量を観測日時の順に整列する。これにより、学習基準時刻ごとの物理特徴量の時系列が生成される。
【0129】
特徴量抽出部２０３は、生成した物理特徴量の時系列をモデル学習部２０４に送る。モデル学習部２０４は、特徴量抽出部２０３から学習基準時刻ごとの物理特徴量の時系列を受け取る。
【0130】
ステップＳ４において、予測装置２０が備えるモデル学習部２０４は、記憶部に記憶されている観測データから教師ラベルを取得する。モデル学習部２０４は、まず、各学習基準時刻について、当該学習基準時刻直後の予測期間におけるＸ線強度の推移を観測データから取得する。次に、モデル学習部２０４は、取得したＸ線強度の推移に基づいて、当該予測期間に発生した太陽フレアの最大のクラスを決定する。
【0131】
続いて、モデル学習部２０４は、学習基準時刻ごとに決定した最大のクラスを表す教師ラベルを、当該学習基準時刻の磁場画像の時系列及び物理特徴量の時系列に付与する。これにより、学習基準時刻ごとに磁場画像の時系列、物理特徴量の時系列及び教師ラベルが対応付けられた学習データが生成される。
【0132】
ステップＳ５において、予測装置２０が備えるモデル学習部２０４は、ステップＳ４で生成した学習データに基づいて、予測モデルを学習する。モデル学習部２０４は、任意の最適化メソッドを用いて、予測モデルを規定するネットワークパラメータを最適化する。最適化メソッドは、例えば、Ａｄａｍ（Adaptive Moment Estimation）を用いることができる。モデル学習部２０４は、学習済みの予測モデルをモデル記憶部２００に記憶する。
【0133】
≪予測処理≫
図１０は、本実施形態における予測処理の一例を示すフローチャートである。
図１０は、本実施形態における予測処理の一例を示すフローチャートである。
【0134】
ステップＳ１１において、予測装置２０が備えるデータ取得部２０１は、予め定めた時間間隔で、予め定めた予測契機が発生したか否かを判定する。予測契機が発生した場合（ＹＥＳ）、データ取得部２０１は、ステップＳ１２に処理を進める。予測契機が発生していない場合（ＮＯ）、次の時間間隔が経過するまで処理を停止する。
【0135】
ステップＳ１２において、予測装置２０が備えるデータ取得部２０１は、予測契機が発生したことに応じて、収集装置１０に観測データの取得要求を送信する。当該取得要求には、予測基準時刻を示す情報が含まれる。予測基準時刻は、例えば、予測契機が発生したときの現在時刻である。
【0136】
収集装置１０は、予測装置２０から受信した観測データの取得要求に応じて、観測データ記憶部１００から予測基準時刻直前の取得期間に観測された観測データを読み出す。収集装置１０は、読み出した観測データを予測装置２０に送信する。
【0137】
予測装置２０では、データ取得部２０１が、収集装置１０から観測データを受信する。データ取得部２０１は、受信した観測データをＨＤＤ５０４等の記憶部に記憶する。
【0138】
ステップＳ１３において、予測装置２０が備える画像取得部２０２は、記憶部に記憶されている観測データから太陽全体の磁場画像の時系列を取得する。画像取得部２０２は、まず、予測基準時刻直前の取得期間において、観測データに含まれる複数の磁場画像を所定の時間間隔で取得する。取得する時間間隔は、学習処理のステップＳ２と同様である。
【0139】
次に、画像取得部２０２は、取得した各磁場画像を撮影日時の順に整列する。これにより、予測基準時刻に対応する磁場画像の時系列が生成される。
【0140】
画像取得部２０２は、生成した磁場画像の時系列を予測部２０５に送る。予測部２０５は、画像取得部２０２から予測基準時刻に対応する磁場画像の時系列を受け取る。
【0141】
ステップＳ１４において、予測装置２０が備える特徴量抽出部２０３は、記憶部に記憶されている観測データから物理特徴量の時系列を抽出する。特徴量抽出部２０３は、まず、予測基準時刻直前の取得期間において、観測データから物理特徴量の計算に必要な観測データを所定の時間間隔でサンプリングする。サンプリングを行う時間間隔は、学習処理のステップＳ３と同様である。
【0142】
次に、特徴量抽出部２０３は、活動領域ごとに、各サンプルから所定の物理特徴量を計算する。続いて、特徴量抽出部２０３は、計算した物理特徴量を観測日時の順に整列する。これにより、予測基準時刻に対応する物理特徴量の時系列が生成される。
【0143】
特徴量抽出部２０３は、生成した物理特徴量の時系列を予測部２０５に送る。予測部２０５は、特徴量抽出部２０３から予測基準時刻に対応する物理特徴量の時系列を受け取る。
【0144】
ステップＳ１５において、予測装置２０が備える予測部２０５は、モデル記憶部２００から学習済みの予測モデルを読み出す。次に、予測部２０５は、画像取得部２０２から受け取った磁場画像の時系列及び特徴量抽出部２０３から受け取った物理特徴量の時系列を、読み出した予測モデルに入力する。予測部２０５は、予測モデルから出力される予測結果を取得する。当該予測結果は、予測基準時刻直後の予測期間に発生する太陽フレアの最大のクラスの発生確率である。
【0145】
ステップＳ１６において、予測装置２０が備える予測部２０５は、予測モデルから出力された予測結果を記憶部に記憶する。予測部２０５は、ユーザ端末３０から予測結果の取得要求を受信した場合、当該取得要求に応じて、最新の予測結果をユーザ端末３０に送信する。
【0146】
ユーザ端末３０では、予測装置２０から受信した予測結果を表示装置５０６に表示する。ユーザ端末３０は、視認性等を考慮して予測結果を加工してグラフィカルに表示してもよい。ユーザ端末３０は、過去に取得した予測結果を記憶部等に記憶しておき、予測結果の推移を表示してもよい。
【0147】
＜第１実施形態の効果＞
本実施形態における予測装置は、予測基準時刻より前の太陽全体の磁場画像の時系列及び太陽の活動領域に関する物理特徴量の時系列を学習済みの予測モデルに入力することで、予測基準時刻以降に発生する太陽フレアの規模を予測する。したがって、本実施形態における予測装置によれば、太陽フレアの規模を精度良く予測することができる。
本実施形態における予測装置は、予測基準時刻より前の太陽全体の磁場画像の時系列及び太陽の活動領域に関する物理特徴量の時系列を学習済みの予測モデルに入力することで、予測基準時刻以降に発生する太陽フレアの規模を予測する。したがって、本実施形態における予測装置によれば、太陽フレアの規模を精度良く予測することができる。
【0148】
本実施形態における予測モデルは、磁場画像の時系列を入力とする磁場画像モジュールと、物理特徴量の時系列を入力とする黒点特徴モジュールとを含む。磁場画像モジュールは、黒点特徴モジュールの中間層の出力を入力に含む磁場画像系列変換層を含み、黒点特徴モジュールは、磁場画像モジュールの中間層の出力を入力に含む物理特徴量系列変換層を含む。したがって、本実施形態における予測装置によれば、磁場画像の時系列と物理特徴量の時系列との対応関係をモデル化することができる。
【0149】
本実施形態における予測モデルは、太陽フレアの予測結果に関する評価指標に基づく項を有する損失関数を用いて学習されている。評価指標は、精度に関するＧＭＧＳ及び信頼性に関するＢＳＳを含む。したがって、本実施形態における予測装置によれば、精度と信頼性とのバランスを考慮した予測モデルを学習することができる。
【0150】
［変形例１］
第１実施形態では、太陽フレア予測タスクを、予測基準時刻直後の予測期間に発生する太陽フレアの最大のクラスを出力する分類タスクとして構成した。ここで、太陽フレア予測タスクを、予測基準時刻直後の予測期間におけるＸ線強度の最大値を予測する回帰タスクとして構成してもよい。
第１実施形態では、太陽フレア予測タスクを、予測基準時刻直後の予測期間に発生する太陽フレアの最大のクラスを出力する分類タスクとして構成した。ここで、太陽フレア予測タスクを、予測基準時刻直後の予測期間におけるＸ線強度の最大値を予測する回帰タスクとして構成してもよい。
【0151】
太陽フレアクラスは、太陽フレアにより発生するＸ線強度の対数を所定の数値範囲に分類することで決定される。したがって、学習データに付与する教師ラベルを、学習基準時刻直後の予測期間におけるＸ線強度の最大値とすれば、予測基準時刻直後の予測期間におけるＸ線強度の最大値を予測する予測モデルを学習することが可能となる。
【0152】
なお、Ｘ線強度の最大値を予測する予測モデルでは、損失関数にＧＭＧＳ損失及びＢＳＳ損失を含めない。本変形例における損失関数Ｌは、交差エントロピー損失ＬＣＥのみからなる損失関数としてもよいし、式（１８）に示した損失関数において重みλＧＭＧＳ，λＢＳＳを０とした損失関数としてもよい。
【0153】
［変形例２］
第１実施形態では、予測装置２０が、予測基準時刻直後の予測期間に発生する太陽フレアの最大のクラスを、予測結果として出力するように構成した。ここで、予測装置２０は、予測結果と共に、アテンションマップを出力するように構成してもよい。
第１実施形態では、予測装置２０が、予測基準時刻直後の予測期間に発生する太陽フレアの最大のクラスを、予測結果として出力するように構成した。ここで、予測装置２０は、予測結果と共に、アテンションマップを出力するように構成してもよい。
【0154】
アテンションマップとは、注意機構付き系列変換モデルにおいて、入力された特徴量それぞれの注目の度合いを示す情報である。アテンションマップによれば、入力された特徴量のうち、予測結果に強い影響を与えた箇所を把握することができる。
【0155】
例えば、入力された太陽全体の磁場画像に、アテンションマップに従って着色したヒートマップを重ね合わせて表示すれば、磁場画像のうち予測結果に影響を与えた領域を直感的に認識することが可能となる。また、例えば、入力された太陽全体の磁場画像とアテンションマップに従って着色したヒートマップとを対比可能に並べて表示してもよい。
【0156】
太陽フレアの発生メカニズムは、未だ未解明の部分が多い。本変形例のように予測結果とアテンションマップとを対応付けて出力することで、太陽フレアの研究に有益な情報を得られることが期待できる。
【0157】
［第２実施形態］
本発明の第２実施形態は、第１実施形態における太陽フレア予測システムにおいて、予測モデルのネットワーク構造、及び予測モデルの学習処理を変形した太陽フレア予測システムである。具体的には、本実施形態における予測モデルは、時系列予測に適したネットワーク構造であるＩｎｆｏｒｍｅｒの注意機構を、注意機構付き系列変換モデルに導入する。Ｉｎｆｏｒｍｅｒの詳細は、参考文献６に開示されている。
本発明の第２実施形態は、第１実施形態における太陽フレア予測システムにおいて、予測モデルのネットワーク構造、及び予測モデルの学習処理を変形した太陽フレア予測システムである。具体的には、本実施形態における予測モデルは、時系列予測に適したネットワーク構造であるＩｎｆｏｒｍｅｒの注意機構を、注意機構付き系列変換モデルに導入する。Ｉｎｆｏｒｍｅｒの詳細は、参考文献６に開示されている。
【0158】
〔参考文献６〕Haoyi Zhou, Shanghang Zhang, Jieqi Peng, Shuai Zhang, Jianxin Li, Hui Xiong, and Wancai Zhang, "Informer: Beyond efficient transformer for long sequence timeseries forecasting," Proceedings of the AAAI Conference on Artificial Intelligence, Vol. 35, No. 12, pp. 11106-11115, 2021.
【0159】
本実施形態における予測モデルは、太陽フレア予測に寄与する画像特徴量を抽出するために、画像特徴抽出器としてＣｏｎｖＮｅＸｔを導入する。ＣｏｎｖＮｅＸｔの詳細は、参考文献７に開示されている。
【0160】
〔参考文献７〕Zhuang Liu, Hanzi Mao, Chao-Yuan Wu, Christoph Feichtenhofer, Trevor Darrell, and Saining Xie, "A convnet for the 2020s," Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), pp. 11976-11986, 2022.
【0161】
本実施形態における予測モデルは、発生頻度が低いクラスへの過学習を防ぐため、ｃＲＴ（Classifier Re-training）に基づく再学習機構を導入する。ｃＲＴの詳細は、参考文献８に開示されている。
【0162】
〔参考文献８〕Bingyi Kang, Saining Xie, Marcus Rohrbach, Zhicheng Yan, Albert Gordo, Jiashi Feng, and Yannis Kalantidis, "Decoupling representation and classifier for long-tailed recognition," ICLR, 2020.
【0163】
太陽フレアは、クラスごとの発生頻度が大きく異なる。クラスごとのサンプル数に偏りがある場合、クラス間のサンプル数が均等になるように学習データをサンプリングする必要がある。しかしながら、そのようなオーバーサンプリングを伴う学習では、サンプル数が極端に少ないクラスへの過学習を招くおそれがある。すなわち、クラスごとのサンプル数が自然の発生頻度に従う学習データで予測モデルを学習した場合、発生頻度が最も低いＸクラスへの過学習が起きる可能性がある。
【0164】
本実施形態における学習処理では、二段階で予測モデルを学習する。第１段階では、通常の手法で収集した学習データに基づいて予測モデル全体を学習する。第２段階では、まず、学習データからクラス間のサンプル数が均等となるようにサンプリングした第２の学習データを生成する。次に、出力層以外のパラメータを固定した上で、第２の学習データを用いて予測モデルを再学習する。すなわち、クラス間のサンプル数を均等にした学習データを用いて、式（１４）で示した順伝播層ｆＦＦＮのパラメータのみを再学習する。
【0165】
≪予測モデル≫
本実施形態における予測モデルについて、図１１及び図１２を参照しながら説明する。図１１は、本実施形態における予測モデルの具体例を示すブロック図である。図１１に示されているように、本実施形態における磁場画像モジュール１００１は、画像特徴抽出器１１００及びＴｒａｎｓｆｏｒｍｅｒ層１３００を含む。Ｔｒａｎｓｆｏｒｍｅｒ層１３００は、Ｐｒｏｂｓｐａｒｓｅ注意層（Probsparse Attention）１３１１、レイヤ正規化層（Layer Norm）１３１２、畳み込み層１３１３、活性化関数１３１４及びレイヤ正規化層１３１５を含む。また、本実施形態におけるＴｒａｎｓｆｏｒｍｅｒ層１３００は、レイヤ正規化層１３１２の出力をレイヤ正規化層１３１５の出力に加算するスキップコネクションを有する。
本実施形態における予測モデルについて、図１１及び図１２を参照しながら説明する。図１１は、本実施形態における予測モデルの具体例を示すブロック図である。図１１に示されているように、本実施形態における磁場画像モジュール１００１は、画像特徴抽出器１１００及びＴｒａｎｓｆｏｒｍｅｒ層１３００を含む。Ｔｒａｎｓｆｏｒｍｅｒ層１３００は、Ｐｒｏｂｓｐａｒｓｅ注意層（Probsparse Attention）１３１１、レイヤ正規化層（Layer Norm）１３１２、畳み込み層１３１３、活性化関数１３１４及びレイヤ正規化層１３１５を含む。また、本実施形態におけるＴｒａｎｓｆｏｒｍｅｒ層１３００は、レイヤ正規化層１３１２の出力をレイヤ正規化層１３１５の出力に加算するスキップコネクションを有する。
【0166】
本実施形態における黒点特徴モジュール１００２は、順伝播層１２１１、バッチ正規化層１２１２、活性化関数１２１３及びＴｒａｎｓｆｏｒｍｅｒ層１４００を含む。本実施形態における黒点特徴モジュール１００２のＴｒａｎｓｆｏｒｍｅｒ層１４００は、Ｐｒｏｂｓｐａｒｓｅ注意層１４１１、レイヤ正規化層１４１２、畳み込み層１４１３、活性化関数１４１４及びレイヤ正規化層１４１５を含む。また、本実施形態におけるＴｒａｎｓｆｏｒｍｅｒ層１４００は、レイヤ正規化層１４１２の出力をレイヤ正規化層１４１５の出力に加算するスキップコネクションを有する。
【0167】
以下、本実施形態における予測モデル１０００の処理について、第１実施形態との相違点を中心に説明する。
【0168】
本実施形態における黒点特徴モジュール１００２では、物理特徴量Ｆｔ－ｋ＋１，ｔが次式のように計算される。ただし、ＲｅＬＵは活性化関数１２１３であり、ｆＢＮはバッチ正規化層１２１２であり、ｆＦＦＮは順伝播層１２１１である。
【0169】
【数11】
【0170】
本実施形態におけるＴｒａｎｓｆｏｒｍｅｒ層１３００の出力ｈｔｒｎは、次式により計算される。ただし、ｆＬＮはレイヤ正規化層であり、ｆｃｏｎｖは畳み込み層である。
【0171】
【数12】
【0172】
Ｔｒａｎｓｆｏｒｍｅｒ層１４００は、入力されるクエリｑがｈＦである点を除いて、Ｔｒａｎｓｆｏｒｍｅｒ層１３００と同様に計算される。
【0173】
図１２は、本実施形態における画像特徴抽出器の具体例を示すブロック図である。図１２に示されているように、本実施形態における画像特徴抽出器１１００は、畳み込み層１１２１、レイヤ正規化層１１２２、畳み込み層１１２３、レイヤ正規化層１１２４、畳み込み層１１２５、活性化関数（GeLU）１１２６及び畳み込み層１１２７を含む。また、本実施形態における画像特徴抽出器１１００は、レイヤ正規化層１１２２の出力を畳み込み層１１２７の出力に加算するスキップコネクションを有する。
【0174】
本実施形態における画像特徴抽出器１１００は、図１２に示したネットワークが４段で接続されており、ｉ（＝１，…，４）段目における層数Ｎｉは、３，３，９，３である。すなわち、本実施形態における画像特徴抽出器１１００は、１８層のＣｏｎｖＮｅＸｔで構成されている。
【0175】
【0176】
ステップＳ６において、予測装置２０が備えるモデル学習部２０４は、ステップＳ４で生成した学習データからクラス間のサンプル数が均等となるようにサンプリングする。これにより、クラス間のサンプル数が均等である第２の学習データが生成される。
【0177】
ステップＳ７において、予測装置２０が備えるモデル学習部２０４は、ステップＳ６で生成した第２の学習データに基づいて、予測モデルを学習する。このとき、モデル学習部２０４は、出力層以外のパラメータを固定した上で、予測モデルを再学習する。すなわち、モデル学習部２０４は、クラス間のサンプル数を均等にした第２の学習データを用いて、出力層のパラメータのみを再学習する。モデル学習部２０４は、再学習済みの予測モデルでモデル記憶部２００に記憶されている予測モデルを更新する。
【0178】
＜第２実施形態の効果＞
本実施形態における予測装置は、学習データにおける太陽フレアのクラスごとの発生頻度に基づいて予測モデル全体を学習した後、太陽フレアのクラスごとの発生頻度が均等となるように第２の学習データを抽出し、予測モデルの出力層を再学習する。太陽フレアはクラスごとの発生頻度が大きく異なるため、発生頻度が低いクラスへの過学習が発生し易い。本実施形態における予測装置は、上記のように構成することにより、発生頻度が低いクラスへの過学習を回避することができる。
本実施形態における予測装置は、学習データにおける太陽フレアのクラスごとの発生頻度に基づいて予測モデル全体を学習した後、太陽フレアのクラスごとの発生頻度が均等となるように第２の学習データを抽出し、予測モデルの出力層を再学習する。太陽フレアはクラスごとの発生頻度が大きく異なるため、発生頻度が低いクラスへの過学習が発生し易い。本実施形態における予測装置は、上記のように構成することにより、発生頻度が低いクラスへの過学習を回避することができる。
【0179】
本実施形態における予測モデルは、Ｔｒａｎｓｆｏｒｍｅｒ層に、時系列予測に適した構造であるＩｎｆｏｒｍｅｒの注意機構を導入し、画像特徴抽出器に、太陽フレア予測に寄与する画像特徴量を抽出するＣｏｎｖＮｅＸｔを導入した。本実施形態における予測装置は、上記のように構成することにより、太陽フレアの規模をより精度良く予測することができる。
【0180】
【0181】
比較実験では、ＳＤＯのウェブアーカイブ及び物理特徴量データベースから収集したデータセットを用いて、各実施形態による予測結果を評価した。なお、ＳＤＯのウェブアーカイブは、参考文献９に開示されている。物理特徴量データベースは、参考文献１０に開示されている。
【0182】
〔参考文献９〕National Aeronautics and Space Administration, "SDO | Data", ［online］，［令和4年9月20日検索］，インターネット＜URL: https://sdo.gsfc.nasa.gov/data/＞
【0183】
〔参考文献１０〕National Institute of Information and Communications Technology, "Database of Deep Flare Net (AI flare prediction)", ［online］，［令和4年9月20日検索］，インターネット＜URL: https://wdc.nict.go.jp/IONO/wdc/solarflare/index.html＞
【0184】
図１４は、データセットに含まれるサンプル数の一例を示す図である。図１４に示されているように、当該データセットには、2010年から2017年までの61,315サンプルが含まれている。なお、当該データセットにおいて、正解ラベルがＸ，Ｍ，Ｃ，Ｏクラスとなるサンプルはそれぞれ、492、4,745、19,736、36,342となっている。このように、ＸクラスやＭクラスの太陽フレアは発生する可能性が極めて低い事象である。例えば、2017年に発生したＸクラスの太陽フレアは全体の約２．９％である。
【0185】
比較実験では、時系列予測において標準的な手法である時系列交差検証に基づいて、データセットをトレーニングセットとテストセットとに分割した。時系列交差検証では、トレーニングセットを構成するサンプルは、テストセットを構成するサンプルよりも時系列的に前のサンプルで構成される。
【0186】
図１５は、ハイパーパラメータの一例を示す図である。ＮＶ，＃ＨＶ，＃ＡＶは、磁場画像モジュールにおけるＴｒａｎｓｆｏｒｍｅｒ層の層数、隠れ層の次元数、注意機構のヘッド数を表す。ＮＦ，＃ＨＦ，＃ＡＦは、黒点特徴モジュールにおけるＴｒａｎｓｆｏｒｍｅｒ層の層数、隠れ層の次元数、注意機構のヘッド数を表す。λＧＭＧＳ，λＢＳＳは、それぞれＧＭＧＳ損失の重み及びＢＳＳ損失の重みである。最適化にはＡｄａｍを使用した。学習率は２．１×１０－６とした。バッチサイズは４８とした。
【0187】
図１６は、実験結果の一例を示す図である。図１６には、各実施形態における太陽フレア予測システムによる予測結果に関する評価指標が示されている。評価指標は、ＧＭＧＳ、ＴＳＳ≧Ｍ及びＢＳＳ≧Ｍを使用した。なお、図１６には、各手法における平均値と年度ごとの平均値の標準偏差が示されている。ただし、2016年はＸクラスの太陽フレアが観測されなかったため、ＧＭＧＳについては近似値を用いた。
【0188】
図１６には、比較例として、２つの従来技術（第１従来技術、第２従来技術）による予測結果及び専門家による予測結果の評価指標が示されている。第１従来技術は、参考文献２に開示されているＤｅＦＮである。第２従来技術は、参考文献３に開示されているＤｅＦＮ－Ｒである。専門家予測の評価結果は、参考文献１１に開示されている。
【0189】
〔参考文献１１〕Yuki Kubo, Mitsue Den, and Mamoru Ishii, "Verification of Operational Solar Flare Forecast," Journal of Space Weather and Space Climate, Vol. 7, p. A20 (16pp), 2017.
【0190】
図１６に示されているように、第１従来技術及び第２従来技術におけるＧＭＧＳは、それぞれ０．３７５、０．３０２であった。これに対し、第１実施形態及び第２実施形態におけるＧＭＧＳは、それぞれ０．５０３、０．５００であった。したがって、各実施形態で従来技術よりも良好な結果が得られた。
【0191】
専門家による予測結果に関するＧＭＧＳ、ＢＳＳ≧Ｍ、ＴＳＳ≧Ｍは、それぞれ０．４８、０．１６、０．５０である。第１実施形態におけるＧＭＧＳ、ＢＳＳ≧Ｍ、ＴＳＳ≧Ｍは、それぞれ０．５０３、０．０８２、０．５３０であった。したがって、第１実施形態ではＧＭＧＳ及びＴＳＳ≧Ｍ（すなわち、精度に関する評価指標）で専門家予測よりも良好な結果が得られた。第２実施形態におけるＧＭＧＳ、ＢＳＳ≧Ｍ、ＴＳＳ≧Ｍは、それぞれ０．５００、０．２２、０．５３０であった。したがって、第２実施形態ではＧＭＧＳ、ＢＳＳ≧Ｍ、ＴＳＳ≧Ｍ（すなわち、精度及び信頼性に関する評価指標）すべてで専門家を超える予測性能を達成することができた。
【0192】
上記の比較実験により、各実施形態における太陽フレア予測システムによれば、従来技術や専門家よりも高い予測性能で太陽フレアの規模を予測できることが示された。
【0193】
［補足］
上記実施形態おいて、Ｔｒａｎｓｆｏｒｍｅｒ層１３００は、第１系列変換層の一例である。Ｔｒａｎｓｆｏｒｍｅｒ層１４００は、第２系列変換層の一例である。多頭注意層１３０１及びＰｒｏｂｓｐａｒｓｅ注意層１３１１は、第１注意機構の一例である。多頭注意層１４０１及びＰｒｏｂｓｐａｒｓｅ注意層１４１１は、第２注意機構の一例である。
上記実施形態おいて、Ｔｒａｎｓｆｏｒｍｅｒ層１３００は、第１系列変換層の一例である。Ｔｒａｎｓｆｏｒｍｅｒ層１４００は、第２系列変換層の一例である。多頭注意層１３０１及びＰｒｏｂｓｐａｒｓｅ注意層１３１１は、第１注意機構の一例である。多頭注意層１４０１及びＰｒｏｂｓｐａｒｓｅ注意層１４１１は、第２注意機構の一例である。
【0194】
上記で説明した実施形態の各機能は、一又は複数の処理回路によって実現することが可能である。ここで、本明細書における「処理回路」とは、電子回路により実装されるプロセッサのようにソフトウェアによって各機能を実行するようプログラミングされたプロセッサや、上記で説明した各機能を実行するよう設計されたＡＳＩＣ（Application Specific Integrated Circuit）、ＤＳＰ（Digital Signal Processor）、ＦＰＧＡ（Field Programmable Gate Array）や従来の回路モジュール等の機器を含むものとする。
【0195】
以上、本発明の実施の形態について詳述したが、本発明はこれらの実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形又は変更が可能である。
【符号の説明】
【0196】
１ 太陽フレア予測システム
２ 太陽
３ 観測衛星
４ 地上観測施設
５ 地上受信施設
１０ 収集装置
２０ 予測装置
３０ ユーザ端末
４１ 望遠鏡
４２ 観測装置
５１ アンテナ
５２ 通信装置
１００ 観測データ記憶部
１０１ 観測データ収集部
２００ モデル記憶部
２０１ データ取得部
２０２ 画像取得部
２０３ 特徴量抽出部
２０４ モデル学習部
２０５ 予測部
２ 太陽
３ 観測衛星
４ 地上観測施設
５ 地上受信施設
１０ 収集装置
２０ 予測装置
３０ ユーザ端末
４１ 望遠鏡
４２ 観測装置
５１ アンテナ
５２ 通信装置
１００ 観測データ記憶部
１０１ 観測データ収集部
２００ モデル記憶部
２０１ データ取得部
２０２ 画像取得部
２０３ 特徴量抽出部
２０４ モデル学習部
２０５ 予測部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】