Учёные сделали прорыв в поиске космических плазмоидов. Физики из Принстонской лаборатории физики плазмы (PPPL) при Министерстве энергетики США создали программу, использующую машинное обучение для поиска этих сгустков плазмы в космосе. Необычность проекта в том, что программа обучалась на смоделированных данных.

Эта система будет анализировать огромные объёмы информации, собранной космическими аппаратами в магнитосфере — зоне вокруг Земли, где сильно действует её магнитное поле. Идея заключается в том, чтобы с помощью этой технологии понять процессы магнитного пересоединения, которые происходят как в космосе, так и в нашей атмосфере, и могут повлиять на спутники и электросети.

Машинное обучение должно помочь точнее находить плазмоиды и улучшить понимание магнитного пересоединения, а также подготовить нас к возможным последствиям. "Мы впервые используем ИИ, обученный на симуляциях, для поиска плазмоидов", — сказала Кендра Бергстедт, аспирантка Принстонского университета и первый автор статьи, опубликованной в Earth and Space Science. Эта работа объединяет опыт лаборатории в вычислительных науках с её долгой историей исследования магнитного пересоединения.

Учёные хотят понять, как плазмоиды могут влиять на скорость магнитного пересоединения и сколько энергии передаётся частицам плазмы. Для этого нужно точно знать, где находятся плазмоиды, и в этом поможет машинное обучение.

Команда использовала несовершенные данные для обучения программы, чтобы она могла распознавать неидеальные формы плазмоидов, более характерные для реального мира. Это отличает их подход от прошлых исследований, где использовались более идеализированные модели.

Машинное обучение в астрофизике становится всё более популярным, и учёные планируют использовать созданную программу для анализа данных, собранных миссией NASA Magnetospheric Multiscale (MMS). MMS, запущенная в 2015 году, включает четыре аппарата, исследующих плазму в магнитном хвосте Земли, что делает её идеальным инструментом для изучения магнитного пересоединения.

Дальнейшие шаги включают улучшение программы, чтобы она могла работать с новыми наборами данных и применять свои выводы к реальным измерениям. "Мы видим это как доказательство концепции и планируем значительно улучшить модель, чтобы она работала ещё точнее", — добавила Бергстедт.