doi.org/10.1029/2023EA002965
Credibilidade: 989
#Bolhas cósmicas
Cientistas do PPPL criaram um programa de machine learning para identificar formações de plasma espacial chamadas plasmoides, com o objetivo de entender e gerenciar melhor os impactos da reconexão magnética em satélites e sistemas de energia
No jogo cósmico de esconde-esconde, os cientistas ganharam uma nova vantagem. Físicos do Laboratório de Física de Plasma de Princeton (PPPL) do Departamento de Energia dos EUA criaram um programa de computador que usa machine learning para identificar bolhas de plasma no espaço sideral, conhecidas como plasmoides. Exclusivamente, este programa foi treinado com dados simulados.
O programa irá peneirar resmas de dados coletados por espaçonaves na magnetosfera, a região do espaço sideral fortemente afetada pelo campo magnético da Terra, e sinalizar sinais reveladores das bolhas elusivas. Usando esta técnica, os cientistas esperam aprender mais sobre os processos que governam a reconexão magnética, um processo que ocorre na magnetosfera e em todo o universo que pode danificar satélites de comunicação e a rede elétrica.
Os cientistas acreditam que o machine learning pode melhorar a capacidade de encontrar plasmoides, auxiliar na compreensão básica da reconexão magnética e permitir que os pesquisadores se preparem melhor para as consequências de distúrbios causados “”pela reconexão.
Até onde sabemos, esta é a primeira vez que alguém usou inteligência artificial treinada em dados simulados para procurar plasmoides,- disse Kendra Bergstedt, uma estudante de pós-graduação no Programa de Física de Plasma de Princeton, que é baseado no PPPL. Bergstedt foi o primeiro autor do artigo relatando os resultados na Earth and Space Science. O trabalho combina a crescente experiência do laboratório em ciências computacionais com sua longa história de exploração da reconexão magnética.
Procurando um link:
Os cientistas querem encontrar métodos confiáveis “”e precisos para detectar plasmoides para que possam determinar se eles afetam a reconexão magnética, um processo que consiste em linhas de campo magnético se separando, reconectando violentamente e liberando enormes quantidades de energia. Quando ocorre perto da Terra, a reconexão pode desencadear uma cascata de partículas carregadas caindo na atmosfera, interrompendo satélites, telefones celulares e a rede elétrica. Alguns pesquisadores acreditam que os plasmoides auxiliam na reconexão rápida em grandes plasmas,- disse Hantao Ji, professor de ciências astrofísicas na Universidade de Princeton e um distinto pesquisador do PPPL. Mas essas hipóteses ainda não foram comprovadas.-
Os pesquisadores querem saber se os plasmoides podem alterar a taxa em que a reconexão ocorre. Eles também querem avaliar quanta energia a reconexão transmite às partículas de plasma. Mas para esclarecer a relação entre plasmoides e reconexão, temos que saber onde os plasmoides estão,- disse Bergstedt. É isso que o machine learning pode nos ajudar fazendo.-
Os cientistas usaram dados de treinamento gerados por computador para garantir que o programa pudesse reconhecer uma variedade de assinaturas de plasma. Normalmente, os plasmoides criados por modelos de computador são versões idealizadas com base em fórmulas matemáticas com formas como círculos perfeitos que não ocorrem com frequência na natureza. Se o programa fosse treinado apenas para reconhecer essas versões perfeitas, ele poderia perder aquelas com outras formas. Para evitar essas falhas, Bergstedt e Ji decidiram usar dados artificiais e deliberadamente imperfeitos para que o programa tivesse uma linha de base precisa para estudos futuros. Comparado a modelos matemáticos, o mundo real é confuso,- disse Bergstedt. Então decidimos deixar nosso programa aprender usando dados com flutuações que você obteria em observações reais. Por exemplo, em vez de começar nossas simulações com uma folha de corrente elétrica perfeitamente plana, damos à nossa folha algumas oscilações. Esperamos que a abordagem de machine learning possa permitir mais nuances do que um modelo matemático estrito. – Esta pesquisa se baseia em tentativas anteriores nas quais Bergstedt e Ji escreveram programas de computador que incorporaram modelos mais idealizados de plasmoides.
O uso do machine learning só se tornará mais comum na pesquisa astrofísica, de acordo com os cientistas. Pode ser particularmente útil ao fazer extrapolações de pequenos números de medições, como às vezes fazemos ao estudar a reconexão, – disse Ji. E a melhor maneira de aprender a usar uma nova ferramenta é realmente usá-la. Não queremos ficar de lado e perder uma oportunidade.
Bergstedt e Ji planejam usar o programa de detecção de plasmoides para examinar dados coletados pela missão Magnetospheric Multiscale (MMS) da NASA. Lançado em 2015 para estudar a reconexão, o MMS consiste em quatro naves espaciais voando em formação através do plasma na magnetocauda, “”a área no espaço apontando para longe do sol que é controlada pelo campo magnético da Terra.
A magnetocauda é um lugar ideal para estudar a reconexão porque combina acessibilidade com escala. Se estudarmos a reconexão observando o sol, só podemos fazer medições de longe,- disse Bergstedt. Se observarmos a reconexão em um laboratório, podemos colocar nossos instrumentos diretamente no plasma, mas os tamanhos dos plasmas seriam menores do que aqueles normalmente encontrados no espaço.- Estudar a reconexão na magnetocauda é uma opção intermediária ideal.É um plasma grande e natural que podemos medir diretamente usando espaçonaves que voam através dele,- disse Bergstedt.
À medida que Bergstedt e Ji melhoram o programa de detecção de plasmoides, eles esperam dar dois passos significativos. O primeiro é executar um procedimento conhecido como adaptação de domínio, que ajudará o programa a analisar conjuntos de dados que ele nunca encontrou antes. O segundo passo envolve usar o programa para analisar dados da espaçonave MMS. A metodologia que demonstramos é principalmente uma prova de conceito, já que não a otimizamos agressivamente,- disse Bergstedt. Queremos fazer o modelo funcionar ainda melhor do que agora, começar a aplicá-lo a dados reais e então partiremos daí!-
Publicado em 01/08/2024 12h40
Artigo original:
Estudo original: