Машинное обучение может помочь ответить на давние астрофизические вопросы

Физики из Лаборатории физики плазмы Принстона (PPPL) разработали компьютерную программу, использующую машинное обучение, чтобы помочь идентифицировать плазмоиды — сгустки плазмы в космосе. Программа обучена на симулированных данных и будет анализировать огромные объемы данных, собранных космическими аппаратами в магнитосфере — области космоса, сильно влияющейся магнитным полем Земли.

Этот инструмент может улучшить способность находить плазмоиды и помочь понять магнитное пересоединение — процесс, который происходит в магнитосфере и по всей Вселенной. Магнитное пересоединение может повредить спутники связи и электрическую сеть. Учёные надеются, что машинное обучение поможет лучше подготовиться к последствиям этих нарушений. "Это первый случай, когда искусственный интеллект, обученный на симулированных данных, используется для поиска плазмоидов", сказал КендраБергстедт, аспирантка Программы по физике плазмы Принстона. Она была первым автором статьи, сообщающей о результатах в журнале Earthand Space Science.

Ученые хотят найти надежные методы обнаружения плазмоидов, чтобы выяснить, влияют ли они на магнитное пересоединение — процесс, в котором линии магнитного поля разделяются, соединяются заново и высвобождают огромные количества энергии. Когда это происходит рядом с Землей, пересоединение может вызвать каскад заряженных частиц, нарушая работу спутников и электрических сетей. Чтобы разобраться в этом процессе, исследователи хотят понять, могут ли плазмоиды изменять скорость пересоединения и сколько энергии пересоединение передает частицам плазмы. Для этого важно знать, где находятся плазмоиды, и машинное обучение может в этом помочь.

Программа была обучена на данных, специально созданных с недостатками, чтобы научиться распознавать реальные плазмоиды с разными формами. "По сравнению с математическими моделями, реальный мир хаотичен", сказала Бергстедт. "Мы хотели, чтобы наша программа училась на данных с флуктуациями, характерными для реальных наблюдений." Использование машинного обучения станет более распространенным в астрофизических исследованиях. "Это может помочь, особенно когда нужно экстраполировать данные из небольшого количества измерений," сказал Хантао Джи, профессор астрофизических наук в Принстонском университете. Бергстедт и Джи планируют использовать программу для анализа данных, собранных миссией NASA Magnetospheric Multiscale (MMS). MMS, запущенная в 2015 году, состоит из четырех космических аппаратов, которые летают через плазму в магнитном хвосте — области космоса, контролируемой магнитным полем Земли.

Магнитный хвост — идеальное место для изучения пересоединения, потому что он сочетает доступность с масштабом. "Если мы наблюдаем пересоединение на Солнце, мы можем измерять только издалека," сказала Бергстедт. "Наблюдения в лаборатории позволяют ставить приборы прямо в плазму, но размеры таких плазм меньше, чем в космосе." Магнитный хвост предлагает идеальный компромисс, так как это большая природная плазма, которую можно измерять непосредственно с помощью космических аппаратов.

• IBM ускоряет обучение ИИ на скорости света при минимальном энергопотреблении
• Учёные впервые визуализировали форму одиночного фотона
• Солнечная система для зарядки электромобилей
• Крупнейший электрический самолёт взлетит в 2025 году
• ДНК-биочернила открывают новые горизонты для 3D-печати кровеносных сосудов
• Исследователи улучшили эффективность и долговечность солнечных элементов
• Тёмная материя: Как камера отслеживает невидимое
• Мягкий, растяжимый электрод имитирует тактильные ощущения с помощью электрических сигналов