Gli scienziati del PPPL hanno creato un programma di apprendimento automatico per identificare le formazioni di plasma spaziale chiamate plasmoidi, con l’obiettivo di comprendere e gestire meglio gli impatti della riconnessione magnetica sui satelliti e sui sistemi energetici.
L’AI scopre i plasmoidi: una nuova era per la ricerca spaziale
Gli scienziati hanno fatto un passo avanti nella ricerca spaziale, sviluppando un algoritmo di apprendimento automatico in grado di individuare le cosiddette “macchie” di plasma, o plasmoidi, presenti nello spazio. Questo innovativo strumento, creato dai fisici del Princeton Plasma Physics Laboratory, è stato addestrato su dati simulati.
Il programma passerà al setaccio risme di dati raccolti da veicoli spaziali nella magnetosfera, la regione dello spazio esterno fortemente influenzata dal campo magnetico terrestre, e segnalerà i segnali rivelatori delle elusive macchie. 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.
I ricercatori ritengono che l’apprendimento automatico potrebbe migliorare la capacità di individuazione dei plasmoidi, agevolare la comprensione di base della riconnessione magnetica e consentire di prepararsi meglio alle conseguenze delle perturbazioni causate dalla riconnessione.
Endra Bergstedt, una studentessa laureata del Princeton Program in Plasma Physics, che ha sede presso PPPL, ha dichiarato: “Per quanto ne sappiamo, questa è la prima volta che qualcuno ha utilizzato l’intelligenza artificiale addestrata su dati simulati per cercare plasmoidi”.
Bergstedt è stata la prima autrice dell’articolo che riporta i risultati in Earth and Space Science. Il lavoro unisce la crescente competenza del Lab nelle scienze computazionali alla sua lunga storia di esplorazione della riconnessione magnetica.
l’AI trova i plasmoidi che minacciano la Terra
Gli scienziati vogliono trovare metodi affidabili e precisi 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 riattaccano 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, interrompendo satelliti, telefoni cellulari e la rete elettrica.
Hantao Ji, professore di scienze astrofisiche alla Princeton University e illustre ricercatore presso PPPL, ha spiegato: “Alcuni ricercatori ritengono che i plasmoidi aiutino la rapida riconnessione in grandi plasmi. Ma queste ipotesi non sono ancora state dimostrate”.
Gli scienziati vogliono sapere se i plasmoidi possono modificare la velocità con cui avviene la riconnessione. Vogliono anche valutare quanta energia la riconnessione impartisce alle particelle di plasma. Ma per chiarire la relazione tra essi e la riconnessione, devono sapere dove si trovano gli stessi. Questo è ciò che l’apprendimento automatico potrebbe aiutare a fare.
I ricercatori hanno utilizzato dati di addestramento generati dal computer per garantire che il programma potesse riconoscere una gamma di firme del plasma. In genere, i plasmoidi creati dai modelli al computer sono versioni idealizzate basate su formule matematiche con forme, come cerchi perfetti, che non si verificano spesso in natura. Se il programma fosse addestrato solo a riconoscere queste versioni perfette, potrebbe non riconoscere quelle con altre forme.
Per evitare tali errori, Bergstedt e Ji hanno deciso di utilizzare dati artificiali, deliberatamente imperfetti, in modo che il programma avesse una base di riferimento accurata per studi futuri.
Bergstedt ha precisato: “Rispetto ai modelli matematici, il mondo reale è disordinato. Quindi abbiamo deciso di lasciare che il nostro programma imparasse utilizzando dati con fluttuazioni che si otterrebbero nelle osservazioni reali. Ad esempio, anziché iniziare le nostre simulazioni con un foglio di corrente elettrica perfettamente piatto, diamo al nostro foglio alcune oscillazioni. Speriamo che l’approccio di apprendimento automatico possa consentire più sfumature rispetto a un modello matematico rigoroso”.
Questa ricerca si è basata su tentativi passati in cui Bergstedt e Ji hanno scritto programmi per computer che incorporavano modelli più idealizzati di plasmoidi.
L’uso dell’apprendimento automatico diventerà sempre più comune nella ricerca astrofisica, secondo gli scienziati.
Ji ha affermato: “Potrebbe essere particolarmente utile quando si fanno estrapolazioni da un piccolo numero di misurazioni, come a volte facciamo quando studiamo la riconnessione. E il modo migliore per imparare a usare un nuovo strumento è usarlo davvero. Non vogliamo restare in disparte e perdere un’opportunità”.
Svelati i plasmoidi: un passo avanti nella comprensione delle tempeste solari
Bergstedt e Ji hanno in programma di utilizzare il programma di rilevamento dei plasmoidi per esaminare i dati raccolti dalla missione Magnetospheric Multiscale (MMS) della NASA. Lanciata nel 2015 per studiare la riconnessione, la MMS è composta da quattro veicoli spaziali che volano in formazione attraverso il plasma nella magnetotail, l’area nello spazio che punta lontano dal Sole ed è controllata dal campo magnetico terrestre.
La coda magnetica è un luogo ideale per studiare la riconnessione perché unisce accessibilità e scala.
Secondo Bergstedt: “Se studiamo la riconnessione osservando il Sole, possiamo solo effettuare misurazioni da lontano. Se osserviamo la riconnessione in un laboratorio, possiamo mettere i nostri strumenti direttamente nel plasma, ma le dimensioni dei plasmi sarebbero più piccole di quelle che si trovano tipicamente nello spazio. Studiare la riconnessione nella coda magnetica è un’opzione intermedia ideale. È un plasma grande e naturale che possiamo misurare direttamente utilizzando veicoli spaziali che lo attraversano”.
Mentre Bergstedt e Ji migliorano il programma di rilevamento dei plasmoidi, sperano di compiere due passi significativi. Il primo è eseguire una procedura nota come adattamento del dominio, che aiuterà il programma ad analizzare set di dati mai incontrati prima. Il secondo passo consiste nell’utilizzare il programma per analizzare i dati provenienti dalla navicella spaziale MMS.
Bergstedt ha concluso: “La metodologia che abbiamo dimostrato è per lo più una prova di concetto, poiché non l’abbiamo ottimizzata in modo aggressivo. Vogliamo far funzionare il modello ancora meglio di quanto non faccia ora, iniziare ad applicarlo a dati reali e poi partiremo da lì”
