新的人工智能程序有助于识别难以捉摸的太空等离子体

在正在进行的宇宙捉迷藏游戏中，科学家们有了一个可能让他们占得上风的新工具。美国能源部 (DOE) 普林斯顿等离子体物理实验室 (PPPL) 的物理学家开发了一个结合机器学习的计算机程序，可以帮助识别外太空的等离子体团块(称为等离子体团)。一个新颖的转折是，该程序使用模拟数据进行训练。

该计划将仔细检查航天器在磁层(受地球磁场强烈影响的外层空间区域)收集的大量数据，并标记出这些难以捉摸的斑点的迹象。利用这项技术，科学家希望更多地了解控制磁重联的过程，磁重联发生在磁层和整个宇宙中，可能会损坏通信卫星和电网。

科学家认为，机器学习可以提高等离子体查找能力，有助于对磁重联的基本理解，并让研究人员更好地为重联引起的干扰的后果做好准备。

“据我们所知，这是第一次有人使用经过模拟数据训练的人工智能来寻找等离子体团，”位于普林斯顿大学等离子体物理项目的研究生肯德拉·伯格斯特德 (Kendra Bergstedt) 说。伯格斯特德是发表在《地球与空间科学》上的论文的第一作者。这项工作结合了实验室在计算科学方面日益增长的专业知识与其探索磁重联的悠久历史。

寻找链接

科学家希望找到可靠、准确的等离子体探测方法，以便确定它们是否会影响磁重联。磁重联是磁场线分离、剧烈重新连接并释放大量能量的过程。当磁重联发生在地球附近时，可能会引发大量带电粒子落入大气层，干扰卫星、移动电话和电网。

普林斯顿大学天体物理学教授、PPPL 杰出研究员 Hantao Ji 表示：“一些研究人员认为，等离子体团有助于大型等离子体的快速重联。但这些假设尚未得到证实。”

研究人员想知道等离子体团是否能改变重联发生的速率。他们还想测量重联给等离子体粒子传递了多少能量。

“但要弄清等离子体团和重联之间的关系，我们必须知道等离子体团在哪里，”伯格斯特德说。“这就是机器学习可以帮助我们做的事情。”

科学家们使用计算机生成的训练数据来确保程序能够识别一系列等离子体特征。通常，计算机模型创建的等离子体团是基于数学公式的理想化版本，其形状(如完美的圆形)在自然界中并不常见。

如果程序只接受识别这些完美版本的训练，它可能会错过其他形状的版本。为了避免这些遗漏，Bergstedt 和 Ji 决定使用故意不完美的人工数据，以便程序为未来的研究提供准确的基线。

“与数学模型相比，现实世界是混乱的，”伯格斯特德说。

“因此，我们决定让程序使用实际观察中出现的波动数据进行学习。例如，我们不是从完全平坦的电流片开始模拟，而是让电流片有一些摆动。我们希望机器学习方法能够比严格的数学模型允许更多的细微差别。”

这项研究以 Bergstedt 和 Ji 之前的尝试为基础，他们编写了包含更理想化的等离子体模型的计算机程序。

科学家们表示，机器学习在天体物理学研究中的应用将越来越普遍。“机器学习在从少量测量数据进行推断时尤其有用，就像我们在研究重联时有时做的那样，”吉说。“学习如何使用新工具的最好方法是实际使用它。我们不想袖手旁观而错失机会。”

伯格斯特德和吉计划使用等离子体探测程序来检查美国宇航局磁层多尺度 (MMS) 任务收集的数据。MMS 于 2015 年发射，用于研究重联，由四艘航天器组成，它们编队飞行穿过磁尾中的等离子体，磁尾是太空中背向太阳的区域，受地球磁场控制。

磁尾是研究重联的理想地点，因为它兼具可达性与规模性。

“如果我们通过观察太阳来研究重联，我们只能从远处进行测量，”伯格斯特德说。“如果我们在实验室中观察重联，我们可以将仪器直接放入等离子体中，但等离子体的尺寸会比通常在太空中发现的等离子体要小。”

研究磁尾的重联是一个理想的折中方案。“这是一种巨大的、自然产生的等离子体，我们可以利用飞过它的航天器直接测量它，”伯格斯特德说。

在 Bergstedt 和 Ji 改进等离子体探测程序的过程中，他们希望迈出两个重要步伐。第一步是执行一项称为域自适应的程序，这将有助于程序分析从未遇到过的数据集。第二步是使用该程序分析来自 MMS 航天器的数据。

“我们展示的方法主要是概念验证，因为我们还没有积极优化它，”Bergstedt 说。“我们希望让模型比现在运行得更好，开始将其应用于真实数据，然后我们再从那里开始。”