Neue Studie nutzt KI zur Entschlüsselung von Astrophysik-Rätseln mit Plasmoiden und magnetischer Rekonnektion

BerlinWissenschaftler des US-Energieministeriums am Princeton Plasma Physics Laboratory haben ein neues Computerprogramm entwickelt. Dieses Programm nutzt maschinelles Lernen, um Plasmoide, also Plasma-Taschen, im Weltraum zu finden. Diese Plasmoide werden in der Magnetosphäre entdeckt, dem Bereich des Weltraums, der vom Magnetfeld der Erde beeinflusst wird.

Das neue Programm wurde mit simulierten Daten trainiert. Es wird Daten von Raumfahrzeugen analysieren, um Plasmoide zu identifizieren und magnetische Rekonnexion zu untersuchen. Dieser Vorgang kann Satelliten und das Stromnetz beeinträchtigen.

Der Einsatz von maschinellem Lernen bringt einige wesentliche Vorteile mit sich:

• Verbessert die Fähigkeit zur Erkennung von Plasmoiden
• Unterstützt das Verständnis der magnetischen Rekonnektion
• Hilft bei der Vorbereitung auf durch Rekonnektion verursachte Störungen

Wissenschaftler wollen Plasmoiden entdecken, um zu untersuchen, ob diese den Magnetfeldwiederanschluss beeinflussen. Dieser Prozess tritt auf, wenn sich Magnetfeldlinien trennen und wieder verbinden, was große Energiemengen freisetzt und bei Auftreten in Erdnähe Satelliten und das Stromnetz stören kann.

Einige Wissenschaftler, wie Professor Hantao Ji von der Princeton University, vermuten, dass Plasmoide die Rekonnexion in großen Plasmen beschleunigen könnten. Diese Annahme ist jedoch noch nicht bestätigt. Forscher untersuchen derzeit, ob Plasmoide die Rekonnexionsrate beeinflussen und wie viel Energie sie an Plasmapartikel abgeben.

Das Programm wurde mit unvollkommenen Daten trainiert, um Plasmoide präzise zu erkennen. In Computermodellen haben Plasmoide normalerweise perfekte kreisförmige Gestalten, doch solche Formen sind in der Natur selten. Um sicherzustellen, dass echte Plasmoide nicht übersehen wurden, nutzten Bergstedt und Ji Daten, die natürliche Variationen beinhalteten.

„Die reale Welt ist komplexer als mathematische Modelle“, sagte Bergstedt. „Deshalb haben wir unser Programm mit echten, variierenden Daten trainiert. Anstelle eines konstanten elektrischen Stroms haben wir Schwankungen hinzugefügt. Wir sind überzeugt, dass diese Methode mehr Details liefert.“

Lesen Sie auch:

Heute · 03:00

Patagonien unter Druck: Gletscherschutz durch Emissionsreduktion, um Schnee statt Regen zu sichern

Bergstedt und Ji entwickelten Programme zur Modellierung von Plasmoiden. Ihrer Meinung nach wird maschinelles Lernen zukünftig häufiger in der astrophysikalischen Forschung eingesetzt werden, da es Vorhersagen aus kleinen Datenmengen ermöglicht.

Bergstedt und Ji beabsichtigen, ihr Programm mithilfe von Daten der NASA-Mission Magnetospheric Multiscale (MMS) zu testen. Die MMS-Mission, die 2015 gestartet wurde, untersucht magnetische Rekonnektion. Sie besteht aus vier Raumfahrzeugen, die durch Plasma im Magnetoschweif reisen, einem von der Erdmagnetosphäre kontrollierten Gebiet, das sich hervorragend für die Erforschung von Rekonnektion eignet.

Das Studium der Rekonnexion ist eine komplexe Aufgabe. Die Sonne können wir nur aus großer Entfernung messen. Laborplasmen sind im Vergleich zu denen im Weltraum klein. Der Magnetoschweif bietet ein großes Plasma, das Raumsonden direkt untersuchen können.

Bergstedt und Ji planen, ihr Programm auf zwei Arten zu verbessern. Erstens werden sie es anpassen, um mit verschiedenen Datentypen zu arbeiten, was es dem Programm ermöglicht, neue Datensätze zu verarbeiten. Zweitens werden sie das Programm nutzen, um MMS-Daten zu untersuchen.

„Die von uns vorgestellte Methode ist nur ein einfaches Beispiel“, erklärte Bergstedt. „Wir haben sie noch nicht optimiert. Unser Ziel ist es, das Modell zu verbessern, es mit echten Daten zu testen und die Ergebnisse zu analysieren.“

Unsere Forschung wurde durch Zuschüsse vom Energieministerium, der NASA und der National Science Foundation finanziert.