|
Неуловимые космические плазмоиды
|
|
|
|
В продолжающейся игре в космические прятки у ученых появился новый инструмент, который может дать им преимущество. Физики из Принстонской лаборатории физики плазмы Министерства энергетики США (DOE) разработали компьютерную программу, использующую машинное обучение, которая может помочь идентифицировать сгустки плазмы в космическом пространстве, известные как плазмоиды. В новом свете программа была обучена с использованием смоделированных данных. Программа проанализирует огромное количество данных, собранных космическими аппаратами в магнитосфере, области космического пространства, на которую сильно влияет магнитное поле Земли, и выявит характерные признаки неуловимых пятен. Используя этот метод, ученые надеются узнать больше о процессах, управляющих магнитным переподключением, - процессе, который происходит в магнитосфере и во всей Вселенной и может повредить спутники связи и электрическую сеть.
|
|
|
|
Ученые полагают, что машинное обучение может улучшить возможности поиска плазмоидов, помочь в базовом понимании магнитного переподключения и позволить исследователям лучше подготовиться к последствиям нарушений, вызванных переподключением. "Насколько нам известно, это первый случай, когда кто-либо использовал искусственный интеллект, обученный на основе смоделированных данных, для поиска плазмоидов", - сказала Кендра Бергштедт, аспирант Принстонской программы по физике плазмы, которая базируется в PPPL. Бергштедт был первым автором статьи, в которой были представлены результаты исследований в области науки о Земле и космосе. В работе сочетаются растущий опыт лаборатории в области вычислительных наук с ее долгой историей изучения магнитного пересоединения.
|
|
|
Ученые хотят найти надежные и точные методы обнаружения плазмоидов, чтобы определить, влияют ли они на магнитное пересоединение - процесс, состоящий из разделения линий магнитного поля, их резкого присоединения и высвобождения огромного количества энергии. Когда это происходит вблизи Земли, повторное подключение может спровоцировать каскад заряженных частиц, попадающих в атмосферу, выводя из строя спутники, мобильные телефоны и электрическую сеть. "Некоторые исследователи полагают, что плазмоиды способствуют быстрому восстановлению связи в больших объемах плазмы", - сказал Хантао Джи, профессор астрофизических наук Принстонского университета и выдающийся научный сотрудник PPPL. "Но эти гипотезы еще не доказаны". Исследователи хотят знать, могут ли плазмоиды изменять скорость, с которой происходит повторное соединение. Они также хотят оценить, сколько энергии при повторном соединении передается частицам плазмы.
|
|
|
|
"Но чтобы прояснить взаимосвязь между плазмоидами и повторным подключением, мы должны знать, где находятся плазмоиды", - сказал Бергштедт. "Именно в этом нам могло бы помочь машинное обучение". Ученые использовали компьютерные обучающие данные, чтобы убедиться, что программа может распознавать различные характеристики плазмы. Как правило, плазмоиды, созданные с помощью компьютерных моделей, представляют собой идеализированные версии, основанные на математических формулах, с формами, подобными идеальным кругам, которые не часто встречаются в природе. Если бы программа была обучена распознавать только эти идеальные варианты, она могла бы пропустить варианты с другими формами. Чтобы избежать подобных ошибок, Бергштедт и Джи решили использовать искусственные, намеренно неполные данные, чтобы у программы была точная основа для будущих исследований.
|
|
|
|
"По сравнению с математическими моделями реальный мир беспорядочен", - сказал Бергштедт. "Поэтому мы решили позволить нашей программе обучаться, используя данные с флуктуациями, которые вы могли бы получить в реальных наблюдениях. Например, вместо того, чтобы начинать моделирование с идеально ровного листа с электрическим током, мы придаем нашему листу некоторые колебания. Мы надеемся, что подход к машинному обучению позволит учесть больше нюансов, чем строгая математическая модель". Это исследование основано на предыдущих попытках, в ходе которых Бергштедт и Джи писали компьютерные программы, которые включали более идеализированные модели плазмоидов. По мнению ученых, использование машинного обучения будет только расширяться в астрофизических исследованиях. "Это может быть особенно полезно при проведении экстраполяций на основе небольшого числа измерений, как мы иногда делаем при изучении повторного подключения", - сказал Джи. - И лучший способ научиться пользоваться новым инструментом - это использовать его на практике. Мы не хотим оставаться в стороне и упускать такую возможность".
|
|
|
|
Бергштедт и Джи планируют использовать программу обнаружения плазмоидов для изучения данных, собираемых магнитосферной многомасштабной миссией НАСА (MMS). Запущенный в 2015 году для изучения повторного подключения, MMS состоит из четырех космических аппаратов, которые летят в строю сквозь плазму в хвосте магнита - области в космосе, обращенной в сторону от Солнца, которая контролируется магнитным полем Земли. Магнитный хвост - идеальное место для изучения повторного подключения, поскольку он сочетает в себе доступность и масштаб. "Если мы изучим повторное подключение, наблюдая за Солнцем, мы сможем проводить измерения только издалека", - сказал Бергштедт. "Если мы будем наблюдать повторное подключение в лаборатории, мы можем поместить наши приборы непосредственно в плазму, но размеры плазмы будут меньше, чем те, которые обычно обнаруживаются в космосе".
|
|
|
|
Изучение повторного подключения в хвосте магнита - идеальный средний вариант. "Это большая и встречающаяся в природе плазма, которую мы можем измерить непосредственно с помощью космических аппаратов, пролетающих сквозь нее", - сказал Бергштедт. По мере совершенствования программы обнаружения плазмоидов Бергштедт и Джи надеются предпринять два важных шага. Первый - это выполнение процедуры, известной как адаптация к предметной области, которая поможет программе анализировать наборы данных, с которыми она никогда ранее не сталкивалась. Второй шаг предполагает использование программы для анализа данных с космического аппарата MMS. "Методология, которую мы продемонстрировали, в основном является доказательством концепции, поскольку мы не проводили ее серьезной оптимизации", - сказал Бергштедт. "Мы хотим, чтобы модель работала еще лучше, чем сейчас, начать применять ее к реальным данным, а затем просто двигаться дальше".
|
|
|
|
Источник
|
