En el actual juego del escondite cósmico, los científicos tienen una nueva herramienta que puede darles una ventaja. Físicos del Laboratorio de Física del Plasma de Princeton (PPPL) del Departamento de Energía de EE. UU. (DOE) han desarrollado un programa informático que incorpora aprendizaje automático que podría ayudar a identificar parches de plasma en el espacio, conocidos como plasmoides. En un nuevo giro, el programa se entrena utilizando datos simulados.
El programa examinará los datos recopilados por naves espaciales en la magnetosfera, la región del espacio fuertemente influenciada por el campo magnético de la Tierra, y señalará las elusivas manchas. Utilizando esta técnica, los científicos esperan aprender más sobre los procesos que gobiernan la reconexión magnética, un proceso que ocurre en la magnetosfera y en todo el universo y que puede dañar los satélites de comunicaciones y la red eléctrica.
Los científicos creen que el aprendizaje automático podría mejorar las posibilidades de encontrar plasmoides, ayudar a comprender los fundamentos del acoplamiento magnético y permitir a los investigadores prepararse mejor para las consecuencias de las interrupciones de la reconexión.
«Hasta donde sabemos, esta es la primera vez que alguien utiliza inteligencia artificial entrenada en datos simulados para buscar plasmoides», dijo Kendra Bergstedt, estudiante de posgrado en el programa de física del plasma de Princeton con sede en PPPL. Bergstedt fue el primer autor del artículo que informa los resultados en Earth and Space Science. El trabajo combina la creciente experiencia del laboratorio en ciencias computacionales con su larga historia de investigación sobre acoplamiento magnético.
Buscando un enlace
Los científicos quieren encontrar métodos confiables y precisos para detectar plasmoides para poder determinar si afectan la reconexión magnética, un proceso que consiste en líneas de campo magnético que se separan, se unen violentamente y liberan enormes cantidades de energía. Cuando ocurre cerca de la Tierra, la reconexión puede provocar que una cascada de partículas cargadas caiga a la atmósfera, alterando los satélites, los teléfonos móviles y la red eléctrica. «Algunos investigadores creen que los plasmoides contribuyen a la rápida reconexión en plasmas grandes», dijo Hantao Yi, profesor de ciencias astrofísicas en la Universidad de Princeton e investigador distinguido del PPPL. «Pero estas hipótesis aún no se han demostrado».
Los investigadores quieren saber si los plasmoides pueden cambiar la tasa de recombinación. También quieren estimar cuánta energía imparte la reconexión a las partículas de plasma. «Pero para descubrir la relación entre los plasmoides y la reconexión, necesitamos saber dónde están los plasmoides», dijo Bergstedt. «En eso es en lo que el aprendizaje automático podría ayudarnos».
Los científicos utilizaron datos de entrenamiento generados por computadora para garantizar que el programa pudiera reconocer una variedad de firmas de plasma. Normalmente, los plasmoides generados por modelos informáticos son versiones idealizadas basadas en fórmulas matemáticas con formas como círculos perfectos que no suelen encontrarse en la naturaleza. Si el programa solo estuviera entrenado para reconocer estas versiones perfectas, podría pasar por alto aquellas con otras formas. Para evitar estos errores, Bergstedt y Ji decidieron utilizar datos artificiales, intencionalmente incompletos, para darle al programa una base precisa para futuras investigaciones. «En comparación con los modelos matemáticos, el mundo real es complicado», afirmó Bergstedt. «Así que decidimos dejar que nuestro programa aprenda usando datos con fluctuaciones que podrían obtenerse en observaciones reales. Por ejemplo, en lugar de comenzar las simulaciones con una hoja de corriente eléctrica perfectamente plana, le damos a nuestra hoja algunas fluctuaciones. Esperamos que el aprendizaje automático Este enfoque puede proporcionar más matices que un modelo matemático estricto. Este estudio se basa en intentos anteriores en los que Bergstedt y Ji escribieron programas de computadora que incluían modelos plasmoides más idealizados.
Según los científicos, el uso del aprendizaje automático en la investigación astrofísica será cada vez más común. «Esto podría ser particularmente útil al hacer extrapolaciones a partir de un pequeño número de mediciones, como hacemos a veces cuando estudiamos la reconexión», dijo J. «Y la mejor manera de aprender a utilizar una nueva herramienta es utilizarla realmente. No queremos quedarnos al margen y perder una oportunidad».
Bergstedt y Ji planean utilizar el programa de detección de plasmoides para examinar los datos recopilados por la misión Magnetosférica Multiescala (MMS) de la NASA. Lanzado en 2015 para estudiar la reconexión, MMS consta de cuatro naves espaciales que vuelan en formación a través del plasma en la cola magnética, una región del espacio alejada del sol y controlada por el campo magnético de la Tierra.
Magnetaste es un lugar ideal para explorar la reconexión porque combina accesibilidad con escala. «Si estudiamos la reconexión mediante la observación del Sol, sólo podremos realizar mediciones desde lejos», afirma Bergstedt. «Si observamos la reconexión en el laboratorio, podemos colocar nuestros instrumentos directamente en el plasma, pero las dimensiones del plasma serían más pequeñas de lo habitual en el espacio». Un término medio ideal es explorar la reconexión en la cola magnética. «Es un plasma grande y de origen natural que podemos medir directamente utilizando naves espaciales que vuelan hacia él», dijo Bergstedt.
A medida que Bergstedt y Ji mejoren el programa de detección de plasmoides, esperan dar dos pasos importantes. Primero, se realiza un procedimiento conocido como adaptación de dominio, que ayudará al programa a analizar conjuntos de datos que nunca antes había encontrado. El segundo paso implica utilizar un programa para analizar datos de la nave espacial MMS. «La metodología que demostramos es en gran medida una prueba de concepto porque no la hemos optimizado agresivamente», dijo Bergstedt. «Queremos que el modelo funcione incluso mejor que ahora, empezar a aplicarlo a datos reales y ¡luego seguiremos adelante!»
Esta investigación fue apoyada por el Programa de Ciencias de la Energía de Fusión del DOE bajo el contrato DE-AC0209CH11466, la NASA bajo las subvenciones NNH15AB29I y 80HQTR21T0105, y una beca de investigación para graduados de la Fundación Nacional de Ciencias bajo la subvención DGE-2039656.
