Find magnetiske udbrud i rummet med en AI-assistent

En advarsel dukker op i din e-mail:De seneste rumfartøjsobservationer er klar. Du har nu 24 timer til at gennemsøge 84 timers data, at vælge de mest lovende øjeblikke på et splitsekund, du kan finde. De datapunkter du vælger, afhængigt af hvordan du rangerer dem, vil downloade fra rumfartøjet i den højest mulige opløsning; forskere kan bruge måneder på at analysere dem. Alt andet vil blive overskrevet, som om det aldrig blev indsamlet overhovedet.

Dette er indsatsen, som Scientist in the Loop står over for, en af ​​de vigtigste roller på den magnetosfæriske multiskala, eller MMS, missionshold. 73 frivillige deler ansvaret, arbejder ugelange skift ad gangen for at sikre, at de allerbedste data kommer til jorden. Det kræver et skarpt og omhyggeligt øje, derfor er det altid blevet overladt til et omhyggeligt trænet menneske - i hvert fald indtil nu.

Et papir offentliggjort i dag beskriver den første kunstige intelligens-algoritme, der giver Scientist in the Loop en (virtuel) hånd.

"MMS er den første store NASA-mission, der implementerer maskinlæring i sine missionsoperationer, " sagde Matthew Argall, rumfysiker ved University of New Hampshire og hovedforfatter af papiret.

Algoritmen udfører en enkelt opgave:at detektere, hvornår rumfartøjet krydsede fra Jordens magnetfelt til solens, eller omvendt. Men det er bare den første af mange specielle algoritmer, der kan ændre, hvordan MMS-videnskab udføres.

Sprængende jordens boble

Et usynligt kraftfelt omgiver vores planet, en kæmpe boble med mere end 40 balloner, 000 miles ud i rummet. Dette er vores magnetfelt, og det tjener os på flere måder. Det holder tingene ude, afbøjning af skadelige kosmiske stråler, der ellers ville ramme Jordens overflade, bringe liv i fare. Men det holder også tingene inde, sætte trafikmønstre for de partikler, der svirrer gennem jordens nære rum. Elektroner, lille og let, drej stramme piruetter rundt om Jordens magnetiske feltlinjer; tungere ioner trænger langsommere sammen, bredere løkker.

Men Jordens magnetfelt er ingenting sammenlignet med solens. Partikler blæst væk fra solen, kendt som solvinden, bære vores stjernes magnetfelt langt forbi Neptuns kredsløb. Partiklerne i den sporer solens magnetiske feltlinjer, kolliderer med Jordens magnetiske boble undervejs. Kollisionsstederne danner en usynlig grænse, som forskerne kalder magnetopausen.

I det store hele, magnetopausen holder stærkt - men ikke altid. Når forholdene er rigtige og magnetiske felter justeres, solvinden kan punktere vores magnetiske boble. Stedet for bruddet er kendt som et elektrondiffusionsområde, eller EDR, og at finde dem er MMS-missionens primære mål.

Inden for en EDR, solens og jordens magnetfeltlinjer smelter sammen, annullere hinanden, og forsvinde. Elektroner, energisk og ubundet, zip frem og tilbage i en kaotisk pandemonium.

"Det er som om de mistede deres vognbanelinjer, mens nogen trampede på deres speeder, " sagde Barbara Giles, senior projektforsker for MMS.

Disse partikeludbrud udløser en kædereaktion, der udløser nord- og sydlys - de kan endda bringe astronauter og rumfartøjer i fare på deres måde. EDR'er bryder ud i hele universet, fra midten af ​​soludbrud til randene af sorte huller. MMS søger efter dem tættere på hjemmet, ved kanten af ​​Jordens magnetfelt.

Men det er ekstremt svært at fange en på fersk gerning. EDR'er vises uden varsel, strække sig så lidt som to miles på tværs (inden for et 14 milliarder miles bredt søgeområde), og varer kun tiendedele af et sekund. I fem års kontinuerlig søgning, MMS har målt lidt over 50. Men hver gang den krydser magnetopausen, hvor vores magnetfelt møder solens, den har endnu en chance for at se en.

Jagt efter magnetopause krydsninger

Så Scientist in the Loop siver gennem hver banes data, på jagt efter magnetopause krydsninger. Men de skiller sig ikke nødvendigvis ud i dataene - at identificere dem er mere som at finde ud af, hvornår en støvregn bliver til regn. En enkelt banes data kan indeholde så få som to eller så mange som 100 magnetopause krydsninger, med falsk alarm look-a-likes ind imellem. For at finde dem, Scientist in the Loop skal simpelthen sætte tiden ind.

"I de tidligste dage, det var dybest set et fuldtidsjob, " sagde Rick Wilder, rumfysiker ved Laboratoriet for Atmosfærisk og Rumfysik i Boulder, Colorado. Siden da, Wilder har hjulpet med at optimere Scientist in the Loops arbejdsgang og trænet nye rekrutter til erfarne eksperter. I dag, en erfaren Scientist in the Loop har kun brug for et par timer om ugen. Men det er stadig en belastning for forskere, der arbejder frivilligt oven på travle tidsplaner. "Træthed er altid i baghovedet, " sagde Wilder.

De havde altid planlagt at automatisere dele af Scientist in the Loops rolle, men det var en udfordring at finde en algoritme til at matche menneskelig præstation. Forskere kan se større tendenser i data, noget de fleste algoritmer kæmper for at gøre. "En del af det, en videnskabsmand gør, er at se på dataens progression i tid, " sagde Argall. "For eksempel, at være i stand til at identificere, at du er i magnetosfæren på et tidspunkt, og bruge det til at påvirke, hvordan [du ser] dataene udvikler sig."

Argall og hans samarbejdspartnere byggede en algoritme, der forsøger at efterligne, hvordan mennesker læser data. Det tager form af et neuralt netværk, en databehandlingsteknik inspireret af hjernen. I modsætning til traditionelle algoritmer, neurale netværk programmerer sig selv gennem forsøg og fejl. Argall viste netværkseksempler på magnetopause krydsninger, derefter testet det på nye sager. Hvis det svarede forkert - en ikke-krydsning blev valgt, eller en sand krydsning blev overset - han sendte et fejlsignal, udløser en kaskade af justeringer før næste test. Ligesom menneskelige videnskabsmænd i løkken, netværket lærte at identificere magnetopause-krydsninger af erfaring.

Men de fleste neurale netværk behandler data i isolerede øjebliksbilleder, hvorimod forskerne ser målinger udfolde sig i tiden. Holdet tilnærmede videnskabsmandens evner ved at bruge porte til at gemme de data, netværket lige så, samt de data, der kommer næste gang. Da netværket beslutter, om det ser på magnetopause-krydsning eller ej, den kan få adgang til omkringliggende datapunkter for at hjælpe. "Algoritmen tilføjer inputdata fra fortiden og fremtiden for at give kontekst for den beslutning, den træffer på nuværende tidspunkt, " sagde Argall.

Det er den første algoritme af, hvad der kan være mange. Holdet forestiller sig at bygge flere specialdetektorer til at arbejde sammen i et hierarki. (En samling af specialister, andre har fundet, udkonkurrerer en jack-of-all-handelsalgoritme.) På det laveste niveau, "regionsklassificerere" ser på dataene for at finde ud af, hvor rumfartøjet er i rummet. De videregiver deres output til regionsspecifikke "hændelsesklassifikatorer, " som leder efter de fænomener, forskerne ønsker at finde. Med succes over de næste par år, MMS kunne automatisk registrere langt mere end magnetopause krydsninger.

"Vi kunne tage imod anmodninger, sige for en bestemt signatur i dataene, og bringe det ned i realtid, " sagde Giles. "Det bliver et systemobservatorium i den forstand - en samfundsressource."

Det er stadig et stykke vej. Den nye algoritme matcher i øjeblikket menneskelige vurderinger omkring 70 % af tiden. (Selv videnskabsmænd er ikke enige med hinanden 100 % af tiden.) Siden oktober 2019, hver uges Scientist in the Loop har behandlet det som en assistent, dobbelttjekke deres arbejde og fange eventuelle fejl.

"Men jeg er sikker på, at inden for et par år endnu, med disse teknikker, som han udvikler, han vil gøre Scientist in the Loop overflødig, " sagde Giles. "Vi ved, når den dag kommer, fordi alt de vil gøre er at gå ind, tjek et felt, og gå videre."

Med en trofast algoritmisk assistent ved deres side, videnskabsmænd kunne fokusere på disse vrikker i de data, de endnu ikke ved, hvordan de skal mærke. Vi ser muligvis en fremtid, hvor algoritmer er mindre værktøjer end samarbejdspartnere, arbejder sammen med forskere, da begge lærer af nye data sammen.