图片来源:来自Pexels的Harrison Haines

在这场持续不断的宇宙捉迷藏游戏中，科学家们有了一种新工具，可能会给他们带来优势。美国能源部(DOE)普林斯顿等离子体物理实验室(PPPL)的物理学家开发了一种结合机器学习的计算机程序，可以帮助识别外层空间中的等离子体斑点，即等离子体。在一个新颖的转折中，该程序使用模拟数据进行训练。

该计划将筛选宇宙飞船在磁层(受地球磁场强烈影响的外层空间区域)收集的大量数据，并标记出难以捉摸的斑点的迹象。利用这项技术，科学家们希望更多地了解控制磁重联的过程，这一过程发生在磁层和整个宇宙中，可能会损坏通信卫星和电网。

科学家们认为，机器学习可以提高等离子体发现能力，有助于对磁重联的基本理解，并使研究人员能够更好地为重联引起的干扰的后果做好准备。

“据我们所知，这是第一次有人使用模拟数据训练的人工智能来寻找等离子体，”普林斯顿等离子体物理项目的研究生坎德拉·伯格斯泰特说。该项目位于PPPL。Bergstedt是发表在《地球与空间科学》上的这篇论文的第一作者。这项工作将实验室在计算科学方面日益增长的专业知识与探索磁重联的悠久历史相结合。

寻找链接

科学家们希望找到可靠、准确的方法来检测等离子体，这样他们就可以确定它们是否会影响磁重联，磁重联是一个由磁力线分离、剧烈重新连接和释放大量能量组成的过程。当它发生在地球附近时，重联会引发大量带电粒子落入大气，扰乱卫星、移动电话和电网。

普林斯顿大学天体物理科学教授、PPPL杰出研究员季汉涛说:“一些研究人员认为，等离子体有助于大型等离子体的快速重联。”“但这些假设尚未得到证实。”

研究人员想知道等离子体是否能改变重联发生的速率。他们还想测量重连接给等离子体粒子带来了多少能量。

Bergstedt说:“但是为了澄清等离子体和重连接之间的关系，我们必须知道等离子体在哪里。”“这就是机器学习可以帮助我们做的事情。”

科学家们使用计算机生成的训练数据来确保程序能够识别一系列等离子体特征。通常，由计算机模型创建的等离子体是基于数学公式的理想化版本，形状像完美的圆圈，这在自然界中并不常见。

如果程序只被训练来识别这些完美的版本，它可能会错过其他形状的版本。为了防止这些失误，Bergstedt和Ji决定使用人为的、故意不完美的数据，这样该项目就可以为未来的研究提供准确的基线。

“与数学模型相比，现实世界是混乱的，”Bergstedt说。

“因此，我们决定让我们的程序使用实际观察到的波动数据来学习。例如，我们不是从一个完全平坦的电流片开始我们的模拟，而是给我们的电流片一些摆动。我们希望机器学习方法可以比严格的数学模型考虑更多的细微差别。”

这项研究建立在Bergstedt和Ji过去编写的计算机程序的基础上，这些程序包含了更理想的等离子体模型。

科学家们表示，机器学习在天体物理学研究中的应用只会越来越普遍。他说:“当我们在研究重连时，有时会从少量的测量结果中进行推断，这尤其有用。”“学习如何使用新工具的最好方法就是实际使用它。我们不想站在一边，错过一个机会。”

Bergstedt和Ji计划使用等离子体探测程序来检查美国宇航局磁层多尺度(MMS)任务收集的数据。MMS于2015年发射，旨在研究重联，由四个航天器组成，在磁尾中的等离子体中编队飞行，磁尾是指远离太阳的空间区域，受地球磁场控制。

磁尾是研究重联的理想场所，因为它结合了可达性和规模。

“如果我们通过观察太阳来研究重联，我们只能从远处进行测量，”Bergstedt说。“如果我们在实验室中观察到重新连接，我们可以将仪器直接放入等离子体中，但等离子体的大小将比在太空中通常发现的等离子体要小。”

研究磁尾中的重联是一个理想的中间选择。Bergstedt说:“这是一种巨大的、自然产生的等离子体，我们可以通过穿越它的航天器直接测量。”

随着Bergstedt和Ji改进等离子体检测程序，他们希望采取两个重要步骤。首先是执行一个称为域适应的过程，这将帮助程序分析它以前从未遇到过的数据集。第二步涉及使用该程序分析来自MMS航天器的数据。

Bergstedt说:“我们展示的方法主要是一个概念证明，因为我们还没有积极优化它。”“我们希望让这个模型比现在更好地工作，开始将其应用于实际数据，然后我们就从那里开始。”