Naukowcy z Laboratorium Fizyki Plazmy w Princeton opracowali program uczenia maszynowego do wykrywania plazmoidów w przestrzeni kosmicznej, co może znacznie poprawić naszą wiedzę na temat ponownego połączenia magnetycznego — zjawiska wpływającego na satelity i sieć energetyczną. Analizując dane ze statku kosmicznego w magnetosferze za pomocą programu wyszkolonego na symulowanych danych, zespół zamierza poszerzyć naszą wiedzę na temat wpływu plazmoidów na procesy ponownego łączenia. Źródło: Kyle Palmer / Dział Komunikacji PPPL
Naukowcy przy PPPL stworzyli nauczanie maszynowe program do identyfikacji przestrzeni osocze formacje zwane plazmoidami, których celem jest lepsze zrozumienie wpływu ponownego połączenia magnetycznego na satelity i systemy elektroenergetyczne oraz zarządzanie nim.
W kosmicznej grze w chowanego naukowcy zyskali nową przewagę. Fizycy z Laboratorium Fizyki Plazmy w Princeton (PPPL) Departamentu Energii Stanów Zjednoczonych stworzyli program komputerowy, który wykorzystuje uczenie maszynowe do identyfikowania plam plazmy w przestrzeni kosmicznej, zwanych plazmoidami. Wyjątkowo program ten został przeszkolony przy użyciu symulowanych danych.
Program przeszuka mnóstwo danych zebranych przez statki kosmiczne w magnetosferze, regionie przestrzeni kosmicznej silnie dotkniętym ziemskim polem magnetycznym, i wyśle charakterystyczne oznaki nieuchwytnych plam. Korzystając z tej techniki, naukowcy mają nadzieję dowiedzieć się więcej na temat procesów rządzących ponownym połączeniem magnetycznym – procesem zachodzącym w magnetosferze i całym wszechświecie, który może uszkodzić satelity komunikacyjne i sieć elektryczną.
Naukowcy uważają, że uczenie maszynowe może poprawić zdolność wyszukiwania plazmoidów, pomóc w podstawowym zrozumieniu ponownego połączenia magnetycznego i pozwolić badaczom lepiej przygotować się na następstwa zakłóceń spowodowanych ponownym połączeniem.
„O ile nam wiadomo, jest to pierwszy raz, kiedy ktoś z tego skorzystał sztuczna inteligencja przeszkoleni na symulowanych danych w celu poszukiwania plazmoidów” – powiedziała Kendra Bergstedt, absolwentka programu Princeton w zakresie fizyki plazmy, który mieści się w PPPL. Bergstedt był pierwszym autorem artykułu przedstawiającego wyniki w Nauka o Ziemi i Kosmosie. Praca łączy rosnącą wiedzę laboratorium w dziedzinie nauk obliczeniowych z długą historią badań nad rekoneksją magnetyczną.
Szukam linku
Naukowcy chcą znaleźć niezawodne i dokładne metody wykrywania plazmoidów, aby móc określić, czy wpływają one na ponowne połączenie magnetyczne, proces składający się z rozdzielania, gwałtownego ponownego łączenia linii pola magnetycznego i uwalniania ogromnych ilości energii. Kiedy nastąpi to w pobliżu Ziemi, ponowne połączenie może wywołać kaskadę naładowanych cząstek wpadających do atmosfery, zakłócając działanie satelitów, telefonów komórkowych i sieci elektrycznej. „Niektórzy badacze uważają, że plazmoidy pomagają w szybkim ponownym łączeniu się w dużych plazmach” – powiedział Hantao Ji, profesor nauk astrofizycznych na Uniwersytecie Uniwersytet Princeton i wybitny pracownik naukowy w PPPL. „Ale te hipotezy nie zostały jeszcze udowodnione”.
Naukowcy chcą wiedzieć, czy plazmoidy mogą zmieniać szybkość ponownego łączenia się. Chcą także zmierzyć, ile energii ponowne połączenie przekazuje cząstkom plazmy. „Aby jednak wyjaśnić związek między plazmoidami a ponownym połączeniem, musimy wiedzieć, gdzie znajdują się plazmoidy” – powiedział Bergstedt. „W tym właśnie może nam pomóc uczenie maszynowe”.
Naukowcy wykorzystali wygenerowane komputerowo dane szkoleniowe, aby upewnić się, że program będzie w stanie rozpoznać szereg sygnatur osocza. Zazwyczaj plazmoidy tworzone przez modele komputerowe są wyidealizowanymi wersjami opartymi na wzorach matematycznych o kształtach – takich jak idealne koła – które nieczęsto występują w przyrodzie. Jeśli program zostałby przeszkolony tylko w zakresie rozpoznawania tych doskonałych wersji, mógłby pominąć te o innych kształtach. Aby zapobiec tym błędom, Bergstedt i Ji postanowili wykorzystać sztuczne, celowo niedoskonałe dane, aby program miał dokładny punkt odniesienia dla przyszłych badań. „W porównaniu z modelami matematycznymi prawdziwy świat jest pełen bałaganu” – powiedział Bergstedt. „Postanowiliśmy więc pozwolić naszemu programowi uczyć się na podstawie danych z wahaniami, które można uzyskać w rzeczywistych obserwacjach. Na przykład, zamiast rozpoczynać nasze symulacje od idealnie płaskiej arkusza prądu elektrycznego, nadajemy naszemu arkuszowi pewne wahania. Mamy nadzieję, że podejście do uczenia maszynowego pozwoli na uzyskanie większej liczby niuansów niż ścisły model matematyczny”. Badania te opierają się na przeszłe próby w którym Bergstedt i Ji napisali programy komputerowe zawierające bardziej wyidealizowane modele plazmoidów.
Zdaniem naukowców wykorzystanie uczenia maszynowego będzie coraz powszechniejsze w badaniach astrofizycznych. „Może to być szczególnie pomocne przy dokonywaniu ekstrapolacji na podstawie niewielkiej liczby pomiarów, co czasami robimy podczas badania rekoneksji” – powiedział Ji. „A najlepszym sposobem, aby nauczyć się korzystać z nowego narzędzia, jest faktyczne jego użycie. Nie chcemy stać z boku i przegapić szansy”.
Bergstedt i Ji planują wykorzystać program wykrywający plazmidy do zbadania zbieranych danych NASAmisja Magnetospheric Multiscale (MMS). Wystrzelony w 2015 r. w celu badania ponownego połączenia satelita MMS składa się z czterech statków kosmicznych lecących w szyku przez plazmę ogona magnetycznego – obszaru w przestrzeni skierowanego od Słońca kontrolowanego przez ziemskie pole magnetyczne.
Magnetotail jest idealnym miejscem do badania ponownego połączenia, ponieważ łączy dostępność ze skalą. „Jeśli będziemy badać ponowne połączenie poprzez obserwację Słońca, będziemy mogli dokonywać pomiarów jedynie z daleka” – powiedział Bergstedt. „Jeśli zaobserwujemy ponowne połączenie w laboratorium, możemy umieścić nasze instrumenty bezpośrednio w plazmie, ale rozmiary plazmy będą mniejsze niż te zwykle spotykane w kosmosie”. Badanie ponownego połączenia w ogonie magnetycznym jest idealną opcją środkową. „To duża i naturalnie występująca plazma, którą możemy zmierzyć bezpośrednio za pomocą przelatujących przez nią statków kosmicznych” – powiedział Bergstedt.
W miarę udoskonalania programu wykrywania plazmoidów Bergstedt i Ji mają nadzieję na podjęcie dwóch znaczących kroków. Pierwsza polega na wykonaniu procedury zwanej adaptacją domeny, która pomoże programowi przeanalizować zbiory danych, z którymi nigdy wcześniej się nie spotkał. Drugi krok polega na wykorzystaniu programu do analizy danych ze statku kosmicznego MMS. „Zademonstrowana przez nas metodologia stanowi głównie weryfikację koncepcji, ponieważ nie poddaliśmy jej agresywnej optymalizacji” – powiedział Bergstedt. „Chcemy, aby model działał jeszcze lepiej niż obecnie, zacznijmy stosować go do rzeczywistych danych, a potem będziemy działać!”
Odniesienie: „Nowa metoda uczenia modeli klasyfikacji do wykrywania struktur w danych statku kosmicznego in situ” autorstwa K. Bergstedta i H. Ji, 11 czerwca 2024 r., Nauka o Ziemi i Kosmosie.
DOI: 10.1029/2023EA002965
Badania te były wspierane przez program DOE Fusion Energy Sciences w ramach kontraktu DE-AC0209CH11466, przez NASA w ramach grantów NNH15AB29I i 80HQTR21T0105 oraz przez National Science Foundation Graduate Research Fellowship w ramach grantu DGE-2039656.
