Nieuwe doorbraak: machine learning onthult mysterieuze plasmoïden in ruimte rond de aarde

AmsterdamWetenschappers van het Princeton Plasma Physics Laboratory, onderdeel van het Amerikaanse Ministerie van Energie, hebben een nieuw computerprogramma ontwikkeld. Dit programma maakt gebruik van machine learning om plasmoïden - pockets van plasma - in de ruimte te ontdekken. Deze plasmoïden worden aangetroffen in de magnetosfeer, het gebied in de ruimte dat beïnvloed wordt door het magnetische veld van de aarde.

Het nieuwe programma is getraind met gesimuleerde data. Het zal gegevens van ruimtetuigen analyseren om plasmoïden te detecteren en de studie van magnetische reconnectie te bevorderen. Dit proces kan satellieten en het elektriciteitsnet beschadigen.

De inzet van machine learning biedt enkele belangrijke voordelen:

• Verbetert het vermogen om plasmoïden te detecteren
• Draagt bij aan het begrip van magnetische reconnectie
• Helpt om voorbereid te zijn op verstoringen door reconnectie

Wetenschappers willen plasmoïden opsporen om te onderzoeken of deze invloed hebben op magnetische reconnectie. Magnetische reconnectie ontstaat wanneer magnetische veldlijnen splitsen en vervolgens weer samenkomen, wat veel energie vrijmaakt. Dit fenomeen kan satellieten en het elektriciteitsnet verstoren als het dichtbij de aarde plaatsvindt.

Sommige wetenschappers, zoals professor Hantao Ji van Princeton University, vermoeden dat plasmoïden de versnelling van reconnectie in grote plasma's zouden kunnen beïnvloeden. Dit idee is echter nog niet bevestigd. Onderzoekers proberen te achterhalen of plasmoïden de reconnectiesnelheid beïnvloeden en hoeveel energie ze aan plasmapartikels afgeven.

Het programma werd getraind met onvolmaakte data om plasmoïden nauwkeurig te kunnen detecteren. In computermodellen hebben plasmoïden meestal perfecte cirkelvormen, maar zulke vormen komen in de natuur zelden voor. Om te zorgen dat échte plasmoïden niet over het hoofd werden gezien, gebruikten Bergstedt en Ji gegevens die natuurlijke variaties bevatten.

Lees ook:

Vandaag · 03:00

Patagonische sneeuwval: glaciale schild bedreigd zonder drastische vermindering van broeikasgasuitstoot

Bergstedt en Ji ontwikkelden programma's om plasmoïden te modelleren. Ze verwachten dat machine learning steeds vaker zal worden toegepast in astrofysisch onderzoek, omdat het helpt bij het doen van voorspellingen met beperkte gegevens.

Bergstedt en Ji zijn van plan om hun programma te testen met data van NASA's Magnetospheric Multiscale (MMS) missie. MMS is in 2015 gelanceerd en onderzoekt reconnectie. Het bestaat uit vier ruimteschepen die door plasma in de magnetotail bewegen, een gebied dat wordt beheerst door het magnetische veld van de aarde en ideaal is voor het bestuderen van reconnectie.

Het bestuderen van reconnectie is uitdagend. We kunnen de zon alleen van een grote afstand meten. Plasma's in laboratoria zijn klein vergeleken met die in de ruimte. De magnetosfeer biedt een groot plasmasysteem dat direct door satellieten gemeten kan worden.

Bergstedt en Ji zijn van plan om hun programma op twee manieren te verbeteren. Ten eerste zullen ze het aanpassen zodat het met verschillende soorten data kan werken, waardoor het nieuwe datasets kan verwerken. Ten tweede zullen ze het programma gebruiken om MMS-gegevens te bestuderen.

Ons onderzoek werd gefinancierd door subsidies van het Ministerie van Energie, NASA, en de Nationale Wetenschapsstichting.