Cientistas desenvolveram uma técnica de aprendizado profundo de rede neural para extrair informações ocultas de movimento turbulento de observações do Sol.
Testes em três diferentes conjuntos de dados de simulação mostraram que é possível inferir o movimento horizontal a partir de dados de temperatura e movimento vertical. Essa técnica beneficiará a astronomia solar e outros campos, como física de plasma, ciência da fusão e dinâmica de fluidos.
O Sol é importante para o Objetivo de Desenvolvimento Sustentável de Energia Limpa e Acessível, tanto como fonte de energia solar quanto como exemplo natural de energia de fusão. Nossa compreensão do Sol é limitada pelos dados que podemos coletar. É relativamente fácil observar a temperatura e o movimento vertical do plasma solar, gás tão quente que os átomos componentes se decompõem em elétrons e íons. Mas é difícil determinar o movimento horizontal.
Para resolver esse problema, uma equipe de cientistas liderada pelo Observatório Astronômico Nacional do Japão e pelo Instituto Nacional de Ciência da Fusão criou um modelo de rede neural e o alimentou com dados de três simulações diferentes de turbulência do plasma. Após o treinamento, a rede neural foi capaz de inferir corretamente o movimento horizontal dado apenas o movimento vertical e a temperatura.
A equipe também desenvolveu um novo espectro de coerência para avaliar o desempenho da saída em diferentes escalas de tamanho. Esta nova análise mostrou que o método conseguiu prever os padrões de grande escala no movimento turbulento horizontal, mas teve problemas com pequenas características. A equipe agora está trabalhando para melhorar o desempenho em pequenas escalas. Espera-se que este método possa ser aplicado a futuras observações solares de alta resolução, como as esperadas do telescópio de balão SUNRISE-3, bem como a plasmas de laboratório, como os criados na pesquisa da ciência da fusão para novas energias.
Publicado em 02/03/2022 05h49
Artigo original:
Estudo original: