En un juego continuo de escondite cósmico, los científicos tienen una nueva herramienta que podría 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 puede ayudar a identificar manchas de plasma en el espacio exterior, conocidas como plasmoides. En un nuevo giro, el programa se entrena utilizando datos simulados.
El programa buscará rastros de datos recopilados por naves espaciales en la magnetosfera, la región del espacio exterior fuertemente afectada por el campo magnético de la Tierra, y signos de manchas esquivas. Con 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 la capacidad de encontrar plásmidos, ayudar con la comprensión fundamental de la reconexión magnética y ayudar a los investigadores a prepararse mejor para las interrupciones causadas por la reconexión.
“Hasta donde sabemos, esta es la primera vez que alguien utiliza inteligencia artificial para detectar plásmidos”, dijo Kendra Bergstad, estudiante de posgrado en el Programa de Física del Plasma de Princeton que trabaja en PPPL. Bergstad fue el primer autor del artículo que informa los resultados en Ciencias de la Tierra y el Espacio. El trabajo combina la creciente experiencia del laboratorio en ciencias computacionales con una larga trayectoria en la exploración de la reconexión magnética.
Buscando un enlace.
Los científicos quieren encontrar formas confiables y precisas de detectar plásmidos para determinar si afectan la reconexión magnética, un proceso en el que las líneas del campo magnético se separan violentamente implica reconectarse y liberar enormes cantidades de energía. Cuando ocurre cerca de la Tierra, la reconexión puede desencadenar una cascada de partículas cargadas que caen a la atmósfera, perturbando satélites, teléfonos móviles y redes eléctricas. “Algunos investigadores creen que los plasmoides ayudan a una reconexión más rápida con el plasma más grande”, dijo Hantao Ji, profesor de astrofísica en la Universidad de Princeton e investigador distinguido de PPPL. “Pero esas hipótesis aún no han sido probadas”.
Los investigadores quieren saber si los plásmidos pueden cambiar la velocidad a la que se produce la recombinación. También quieren estimar cuánta energía reciben las partículas de plasma a partir de la recombinación. “Pero para aclarar la conexión entre los plásmidos y la recombinación, necesitamos saber dónde están los plásmidos”, afirmó Bergstad. “Eso es lo que el aprendizaje automático puede ayudarnos a hacer”.
Los científicos utilizaron datos de entrenamiento generados por computadora para garantizar que el programa pudiera reconocer una variedad de firmas de plasma. Normalmente, los plásmidos creados por modelos informáticos son versiones idealizadas basadas en fórmulas matemáticas que tienen formas (como círculos perfectos) que no suelen aparecer en la naturaleza. Si el programa fue entrenado para reconocer sólo estas versiones perfectas, podría pasar por alto aquellas con otras formas. Para superar estas deficiencias, Bergstedt y Ji decidieron utilizar datos artificiales, intencionalmente incompletos, para que el programa tuviera una base válida para futuros estudios. “En comparación con los modelos matemáticos, el mundo real es complicado”, afirmó Bergstad. “Así que decidimos dejar que nuestro programa aprendiera usando datos con fluctuaciones que se encontrarían en observaciones reales. Por ejemplo, en lugar de comenzar nuestras simulaciones con una lámina de corriente eléctrica perfectamente plana, esperamos que un enfoque de aprendizaje automático pueda permitir más valor que un modelo matemático estricto.” Esta investigación se basa en esfuerzos anteriores en los que Bergstad y Gee escribieron programas informáticos que incluían modelos de plásmidos más idealizados.
Según los científicos, el uso del aprendizaje automático será cada vez más común en la investigación astrofísica. “Esto puede ser particularmente útil al extrapolar a partir de muy pocas mediciones, como hacemos a veces cuando estudiamos la reconexión”, dijo Ji. “Y la mejor manera de aprender a utilizar una nueva herramienta es utilizarla realmente. No queremos perder ninguna oportunidad”.
Bergstedt y Ji planean utilizar el programa de detección de plásmidos 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, la región del espacio que apunta en dirección opuesta al Sol y que está controlada por el campo magnético de la Tierra.
Magnetotail es un lugar ideal para estudiar la reconexión porque combina alcance con escala. “Si estudiamos la reconexión mediante la observación del Sol, sólo podremos medirla desde la distancia”, dijo Bergstad. “Si observamos la reconexión en un laboratorio, podemos colocar nuestros instrumentos directamente en el plasma, pero el tamaño del plasma será más pequeño que el de los instrumentos que normalmente se encuentran en el espacio”. Una opción intermedia ideal es estudiar la reconexión en Magnetotel. “Es un plasma grande, de origen natural, que podemos medir directamente con naves espaciales que lo atraviesen”, dijo Bergstad.
A medida que Bergstad y Gee perfeccionan el programa de detección de plásmidos, esperan dar dos pasos importantes. El primero es realizar un procedimiento llamado adaptación de dominio, que ayudará al programa a analizar conjuntos de datos que nunca antes había encontrado. El segundo paso implica utilizar el programa para analizar datos de la nave espacial MMS. “El método que hemos demostrado es principalmente una prueba de concepto porque no lo hemos refinado agresivamente”, dijo Bergstad. “Queremos que el modelo funcione incluso mejor que ahora, empezar a aplicarlo a datos reales y partir de ahí”.
Esta investigación fue apoyada por el Programa de Ciencias de la Energía de Fusión del DOE bajo el contrato DE-AC0209CH11466, subvenciones de 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.
