Nel continuo gioco del nascondino cosmico, gli scienziati hanno un nuovo strumento che potrebbe dare loro un vantaggio. I fisici del Princeton Plasma Physics Laboratory del Dipartimento dell'Energia degli Stati Uniti hanno sviluppato un programma per computer che incorpora l'apprendimento automatico che può aiutare a identificare grumi di plasma nello spazio esterno noti come plasmoidi. In un nuovo sviluppo, il programma è stato addestrato utilizzando dati simulati.

Il programma esaminerà enormi quantità di dati raccolti dai veicoli spaziali nella magnetosfera, la regione dello spazio esterno fortemente influenzata dal campo magnetico terrestre, e monitorerà i segni della presenza di queste misteriose masse. Utilizzando questa tecnica, gli scienziati sperano di saperne di più sui processi che governano la riconnessione magnetica, un processo che avviene nella magnetosfera e in tutto l’universo e che può danneggiare i satelliti per le comunicazioni e la rete elettrica.

Gli scienziati ritengono che l’apprendimento automatico potrebbe migliorare la capacità di trovare plasmoidi, aiutare a comprendere le basi della riconnessione magnetica e consentire ai ricercatori di prepararsi meglio alle conseguenze delle perturbazioni causate dalla riconnessione.

“Per quanto ne sappiamo, questa è la prima volta che qualcuno utilizza l'intelligenza artificiale addestrata su dati simulati per cercare plasmoidi”, ha affermato Kendra Bergstedt, una studentessa laureata del Programma di Fisica del Plasma di Princeton, con sede al PPPL. Bergstedt è stato il primo autore di Rapporto cartaceo Risultati in Scienze della Terra e dello spazioQuesto lavoro combina la crescente esperienza del laboratorio nella scienza computazionale con la sua lunga storia di esplorazione della riconnessione magnetica.

Trova un collegamento

Gli scienziati vogliono trovare modi affidabili e accurati per rilevare i plasmoidi in modo da poter determinare se influenzano la riconnessione magnetica, un processo che consiste in linee di campo magnetico che si separano, si ricollegano violentemente e rilasciano enormi quantità di energia. Quando avviene vicino alla Terra, la riconnessione può innescare una cascata di particelle cariche che cadono nell’atmosfera, disabilitando i satelliti, i telefoni cellulari e la rete elettrica.

“Alcuni ricercatori ritengono che i plasmoidi aiutino la rapida riconnessione nei grandi plasmi”, afferma Hantao Ji, professore di scienze astrofisiche all'Università di Princeton e ricercatore senior presso il PPPL. “Ma queste ipotesi non sono ancora state dimostrate”.

I ricercatori vogliono sapere se i plasmoidi possono modificare la velocità con cui avviene la riconnessione. Vogliono anche misurare quanta energia la riconnessione dà alle particelle di plasma.

“Ma per chiarire la relazione tra plasmoidi e riconnessione, dobbiamo sapere dove si trovano i plasmoidi”, ha detto Bergstedt. “Questo è ciò che il machine learning può aiutarci a fare.”

Gli scienziati hanno utilizzato dati di addestramento generati dal computer per garantire che il software potesse riconoscere una serie di firme del plasma. In genere, i plasmoidi creati da modelli computerizzati sono versioni idealizzate basate su formule matematiche con forme – come cerchi perfetti – che spesso non si trovano in natura.

Se il programma è addestrato solo a riconoscere queste versioni perfette, potrebbe non notare quelle che hanno altre forme. Per evitare questi errori, Bergstedt e Gee hanno deciso di utilizzare dati sintetici intenzionalmente incompleti in modo che il programma avesse una base di riferimento accurata per gli studi futuri.

“Rispetto ai modelli matematici, il mondo reale è disordinato”, ha detto Bergstedt.

“Così abbiamo deciso di far sì che il nostro software apprendesse utilizzando dati che contengono fluttuazioni che possono essere ottenute nelle osservazioni reali. Ad esempio, invece di avviare simulazioni con un foglio di corrente elettrica completamente piatto, diamo al foglio alcune vibrazioni L’approccio consentirà dettagli più fini rispetto a un modello matematico rigoroso”.

Questa ricerca si basa su tentativi precedenti in cui Bergstedt e Gee hanno scritto programmi per computer che includevano modelli più idealizzati di plasmoidi.

Secondo gli scienziati, l’uso dell’apprendimento automatico diventerà più comune nella ricerca astrofisica. “Ciò può essere particolarmente utile quando si effettuano estrapolazioni da un piccolo numero di misurazioni, come a volte facciamo quando studiamo la riconnessione”, ha detto Ji. “Il modo migliore per imparare a utilizzare un nuovo strumento è usarlo effettivamente. Non vogliamo restare in disparte e perdere l'occasione.”

Bergstedt e Gee intendono utilizzare il programma di rilevamento dei plasmoidi per esaminare i dati raccolti dalla missione Magnetic Multiscale (MMS) della NASA. Lanciato nel 2015 per studiare la riconnessione, MMS è composto da quattro veicoli spaziali che volano in formazione attraverso il plasma nella coda magnetica, la regione dello spazio che punta lontano dal Sole e controllata dal campo magnetico terrestre.

La coda magnetica è un luogo ideale per studiare la riconnessione perché unisce accessibilità e dimensioni.

“Se studiamo la riconnessione osservando il Sole, potremo effettuare misurazioni solo da lontano”, afferma Bergstedt. “Se osserviamo la riconnessione in laboratorio, potremo mettere i nostri strumenti direttamente nel plasma, ma nel plasma i volumi saranno più piccoli di quelli che normalmente troviamo nello spazio”.

Lo studio della riconnessione nella coda magnetica è un compromesso ideale. “È un plasma di grandi dimensioni, presente in natura, che possiamo misurare direttamente con un veicolo spaziale che lo attraversa”, afferma Bergstedt.

Mentre Bergstedt e Gee lavorano per migliorare il programma di rilevamento dei plasmoidi, sperano di compiere due passi importanti. Il primo consiste nell'eseguire una procedura nota come adattamento del dominio, che aiuterà il programma ad analizzare set di dati che non ha mai incontrato prima. La seconda fase prevede l'utilizzo del software per analizzare i dati provenienti dal veicolo spaziale MMS.

“La metodologia che abbiamo dimostrato è fondamentalmente solo una prova di concetto perché non l'abbiamo ottimizzata in modo approfondito”, ha affermato Bergstedt. “Vogliamo far funzionare il modello meglio di adesso, iniziare ad applicarlo a dati reali e poi partire Là.”