Forskere udnytter maskinlæring til at forbedre forudsigelser af rumvejr

Der er tre sværhedsgrader for rumstorme:geomagnetiske storme, solstrålingsstorme og radioblænding. Disse storme producerer forskellige effekter på Jorden, herunder satellit-, GPS-, kommunikations- og elnetproblemer samt sundhedsfarer for astronauter og mennesker på flyvninger i høj højde. Geomagnetiske storme producerer også de smukke nordlys, der almindeligvis observeres i polarområder.

På grund af de potentielle negative virkninger af rumstorme har forskere udviklet fysikbaserede modeller, der forudsiger nordlysets strømsystem baseret på de indkommende solvindpartikler, der udstødes fra solen.

Indtil nu var sådanne modeller imidlertid langsomme og krævede en hel supercomputer at køre. Forskere har nu skabt en maskinlæringsbaseret emulator, der efterligner fysikbaserede nordlysstrømsystemsimulationer meget hurtigere og med mindre computerkraft.

Holdet offentliggjorde resultaterne af deres undersøgelse i tidsskriftet Space Weather .

"En fysikbaseret simulering af nordlysstrømsystemet er en mulighed for rumvejrsudsigten. Vi har dog brug for en udpeget supercomputer til at køre den fysikbaserede simulering," sagde Ryuho Kataoka, førsteforfatter af papiret og lektor ved det National Institute of Polar Research og SOKENDAI, begge i Tachikawa, Japan.

"En af disse modeller er REPPU (REProduce Plasma Universe), som er en velkendt og pålidelig model, der gengiver nordlysets strømsystem. Når vi først havde skabt 'emulatoren', kunne vi få lignende resultater ved hjælp af en bærbar pc."

Den nye emulatormodel, Surrogate Model for REPPU Auroral Ionosphere version 2 (SMRAI2), er en million gange hurtigere end den fysikbaserede simulering og inkorporerer sæsonbestemte effekter i sin modellering.

Mens solvejrsudsigter ikke kan ændre virkningerne af solstråling og solvindpartiklerne på og omkring Jorden, kan det hjælpe samfund, der er påvirket af solvejr, med at forberede sig på kommunikationsvanskeligheder og fejl og begrænse strålingseksponering for astronauter og flypassagerer i stor højde.

Især satellitter er meget følsomme over for modstand forårsaget af magnetiske storme. Faktisk gik 38 kommercielle satellitter tabt i februar 2022 på grund af genindtræden i jordens atmosfære efter en moderat magnetisk storm. Disse magnetiske storme er resultatet af en stor energioverførsel fra solvinden til Jordens magnetosfære.

Forskerholdet brugte en tidsafhængig maskinlæringsmodel kaldet echo state network (ESN) til at skabe den fysikbaserede forudsigelsesmodelemulator. Det er vigtigt, at ESN'er er en type tilbagevendende neurale netværk designet til effektivt at håndtere sekventielle data.

Den nuværende undersøgelse forbedrede faktisk i forhold til en indledende version af den ESN-baserede emulator, ver1.0. Holdet trænede den nye emulatormodel, SMRAI2, ved at bruge en størrelsesorden mere fysikbaserede simuleringsoutput end den originale version 1.0-model.

"Produktet af denne undersøgelse, SMRAI2, er det første eksempel på nordlysfysik, der anvender en maskinlæringsteknik til at emulere det ionosfæriske output fra den fysikbaserede globale magnetohydrodynamiske (MHD) simulering. Akkumulering af flere MHD-simuleringsdata og brug af andre banebrydende maskinlæringsmodeller vil gøre os i stand til at opdatere forudsigelsesnøjagtigheden i den nærmeste fremtid," sagde Kataoka. MHD-simuleringer er designet til at beskrive magnetosfærens opførsel, hvor solvinden interagerer med Jordens magnetfelt.

Det næste skridt for forskerholdet er at inkorporere emulatoren i at køre ensemblets rumvejrudsigt, som er et sæt prognoser, der tilbyder en række fremtidige rumvejrsforudsigelser. Deres ultimative mål er at bruge emulatoren sammen med mange observationsdatasæt i en dataassimileringsprognose, som integrerer modeloutput og observationer for at forbedre forudsigelsesnøjagtigheden.

Flere oplysninger: Ryuho Kataoka et al., Machine Learning-Based Emulator for Physics-Based Simulation of Auroral Current System, Rumvejr (2024). DOI:10.1029/2023SW003720

Journaloplysninger: Rumvejr

Leveret af Research Organization of Information and Systems