Dans le jeu cosmique actuel de cache-cache, les scientifiques disposent d’un nouvel outil qui pourrait leur donner un avantage. Ministère de l’Énergie(DOE) Laboratoire de physique des plasmas à Princeton (PPPL) ont développé un programme informatique qui comprend… Apprentissage automatique Ce qui peut aider à identifier les blocs plasma Dans l’espace, on les appelle plasmides. Dans un nouveau développement, le programme a été formé à l’aide de données simulées.
Le programme examinera d’énormes quantités de données collectées par des engins spatiaux dans la magnétosphère, la région de l’espace extra-atmosphérique fortement affectée par le champ magnétique terrestre, et surveillera les signes de la présence de ces masses mystérieuses. Grâce à cette technique, les scientifiques espèrent en apprendre davantage sur les processus qui régissent la reconnexion magnétique, un processus qui se produit dans la magnétosphère et dans tout l’univers et qui peut endommager les satellites de communication et le réseau électrique.
Les scientifiques pensent que l’apprentissage automatique pourrait améliorer la capacité à trouver des plasmoïdes, aider à comprendre les bases de la reconnexion magnétique et permettre aux chercheurs de mieux se préparer aux conséquences des perturbations provoquées par la reconnexion.
« Pour autant que nous le sachions, c’est la première fois que quelqu’un utilise l’intelligence artificielle entraînée sur des données simulées pour rechercher des plasmoïdes », a-t-il déclaré. Kendra Bergstedtétudiant diplômé en Programme de Princeton en physique des plasmas, dont le siège est à PPPL. Bergstedt fut le premier auteur de papier Publier les résultats dans le Journal of Earth and Space Sciences. Ce travail combine l’expertise croissante du laboratoire en science informatique avec sa longue histoire d’exploration de la reconnexion magnétique.
Trouver un lien
Les scientifiques veulent trouver des moyens fiables et précis de détecter les plasmoïdes afin de pouvoir déterminer s’ils affectent la reconnexion magnétique, un processus constitué de lignes de champ magnétique qui se séparent, puis se rejoignent violemment et libèrent d’énormes quantités d’énergie. Lorsque cela se produit près de la Terre, la reconnexion peut déclencher une cascade de particules chargées tombant dans l’atmosphère, désactivant les satellites, les téléphones portables et le réseau électrique. « Certains chercheurs pensent que les plasmoïdes aident à une reconnexion rapide dans les grands plasmas », a-t-il déclaré. Hantao J.« Mais ces hypothèses n’ont pas encore été prouvées. »
Les chercheurs veulent savoir si les plasmoïdes peuvent modifier la vitesse à laquelle se produit la reconnexion. Ils veulent également mesurer la quantité d’énergie que la reconnexion donne aux particules de plasma. « Mais pour expliquer la relation entre les plasmoïdes et la reconnexion, nous devons savoir où se trouvent les plasmoïdes », explique Bergstedt. « Et c’est ce que l’apprentissage automatique peut nous aider à faire. »
Les scientifiques ont utilisé des données d’entraînement générées par ordinateur pour garantir que le logiciel puisse reconnaître une gamme de signatures plasmatiques. En règle générale, les plasmoïdes générés par des modèles informatiques sont des versions idéalisées basées sur des formules mathématiques avec des formes – telles que des cercles parfaits – qui n’apparaissent pas souvent dans la nature. Si le programme est entraîné uniquement à reconnaître ces versions parfaites, il risque de manquer celles qui ont d’autres formes. Pour éviter ces erreurs, Bergstedt et Gee ont décidé d’utiliser des données synthétiques intentionnellement incomplètes afin que le programme dispose d’une base de référence précise pour les études futures. « Comparé aux modèles mathématiques, le monde réel est compliqué », a déclaré Bergstedt. « Nous avons donc décidé de laisser notre logiciel apprendre en utilisant les données avec les fluctuations que vous obtiendriez dans les observations réelles, par exemple, au lieu de commencer nos simulations avec un courant complètement plat. plaque, nous donnons à notre plaque quelques vibrations. » « Nous espérons que l’approche d’apprentissage automatique permettra plus de nuances qu’un modèle mathématique strict. » Tentatives précédentes Bergstedt et Gee ont écrit des programmes informatiques incluant des modèles de plasmoïdes plus idéalisés.
Selon les scientifiques, l’utilisation de l’apprentissage automatique deviendra plus courante dans la recherche en astrophysique. « Cela peut être particulièrement utile lors d’extrapolations à partir d’un petit nombre de mesures, comme nous le faisons parfois lors de l’étude de la reconnexion », a déclaré Ji. « La meilleure façon d’apprendre à utiliser un nouvel outil est de l’utiliser réellement. Nous ne voulons pas. rester à l’écart et rater l’occasion. »
Bergstedt et Gee prévoient d’utiliser le programme de détection de plasmoïdes pour examiner les données collectées par la mission Magnetic Multiscale (MMS) de la NASA. Lancé en 2015 pour étudier la reconnexion, MMS se compose de quatre vaisseaux spatiaux volant en formation à travers le plasma dans la queue magnétique, la région de l’espace orientée à l’opposé du Soleil et contrôlée par le champ magnétique terrestre.
La queue magnétique est un endroit idéal pour étudier la reconnexion car elle allie accessibilité et taille. « Si nous étudions la reconnexion en observant le Soleil, nous ne pouvons prendre des mesures qu’à distance », a déclaré Bergstedt. « Si nous observions la reconnexion en laboratoire, nous pourrions placer nos instruments directement dans le plasma, mais les volumes de plasma seraient plus petits que ceux que l’on trouve normalement dans l’espace. » L’étude de la reconnexion dans la queue magnétique est un compromis idéal. « Il s’agit d’un vaste plasma naturel que nous pouvons mesurer directement avec un vaisseau spatial qui le traverse », a déclaré Bergstedt.
Alors que Bergstedt et Gee travaillent à améliorer le programme de détection des plasmoïdes, ils espèrent franchir deux étapes importantes. La première consiste à exécuter une procédure appelée adaptation de domaine, qui aidera le programme à analyser des ensembles de données qu’il n’a jamais rencontrés auparavant. La deuxième étape consiste à utiliser le logiciel pour analyser les données du vaisseau spatial MMS. « La méthodologie que nous avons démontrée est principalement une preuve de concept car nous ne l’avons pas optimisée de manière approfondie », explique Bergstedt. « Nous voulons que le modèle fonctionne mieux qu’il ne le fait actuellement, commencer à l’appliquer à des données réelles et ensuite partir de là ! »
Cette recherche a été soutenue par le ministère de l’Énergie Science de l’énergie de fusion programme sous contrat DE-AC0209CH11466, par la NASA sous subventions NNH15AB29I et 80HQTR21T0105, et par une bourse de recherche supérieure de la National Science Foundation sous subvention DGE-2039656.
—
Le laboratoire de physique de Princeton maîtrise le plasma, le quatrième état de la matière, pour résoudre certains des défis scientifiques et technologiques les plus difficiles au monde. Notre laboratoire est situé sur le campus Forrestal de l’Université de Princeton à Plainsboro, dans le New Jersey, et nos recherches stimulent l’innovation dans une gamme d’applications, notamment l’énergie de fusion, la fabrication à l’échelle nanométrique, les matériaux et dispositifs quantiques et la science de la durabilité. L’université exploite un laboratoire pour l’Office of Science du Département américain de l’énergie, le plus grand partisan de la recherche fondamentale en sciences physiques du pays. Je sens la chaleur à l’intérieur https://energy.gov/science Et http://www.pppl.gov.
/version générique. Ce matériel provenant de l’organisation/des auteurs d’origine peut être de nature chronologique et a été édité pour des raisons de clarté, de style et de longueur. Mirage.News ne prend pas de position ou de parti d’entreprise, et toutes les opinions, positions et conclusions exprimées ici sont uniquement celles des auteurs. Vue complète ici.