Ученые разработали метод глубокого обучения нейронной сети для извлечения скрытой информации о турбулентном движении из наблюдений за Солнцем. Тесты на трех различных наборах данных моделирования показали, что можно вывести горизонтальное движение из данных о температуре и вертикальном движении. Этот метод принесет пользу солнечной астрономии и другим областям, таким как физика плазмы, термоядерный синтез и гидродинамика.
Солнце важно для достижения цели устойчивого развития в области доступной и чистой энергии, как в качестве источника солнечной энергии, так и в качестве естественного примера термоядерной энергии. Наше понимание Солнца ограничено данными, которые мы можем собрать. Относительно легко наблюдать температуру и вертикальное движение солнечной плазмы, газа, настолько горячего, что составляющие его атомы распадаются на электроны и ионы. Но трудно определить горизонтальное движение.
Чтобы решить эту проблему, группа ученых во главе с Национальной астрономической обсерваторией Японии и Национальным институтом термоядерных исследований создала модель нейронной сети и передала ей данные из трех различных симуляций турбулентности плазмы. После обучения нейронная сеть смогла правильно определить горизонтальное движение, учитывая только вертикальное движение и температуру.
Команда также разработала новый спектр когерентности для оценки производительности выходных данных в различных масштабах. Этот новый анализ показал, что метод преуспел в прогнозировании крупномасштабных закономерностей горизонтального турбулентного движения, но имел проблемы с мелкими особенностями. Сейчас команда работает над улучшением производительности в небольших масштабах. Есть надежда, что этот метод может быть применен к будущим наблюдениям за Солнцем с высоким разрешением, таким как те, которые ожидаются с помощью аэростатического телескопа SUNRISE-3, а также к лабораторной плазме, например, созданной в рамках исследований термоядерного синтеза для получения новой энергии.
Комментарии