آشفتگی پنهان در جو خورشید توسط مدل جدید هوش مصنوعی آشکار شد!!

حرکت آشفته پنهانی که در اتمسفر خورشید اتفاق می‌افتد را می‌توان با دقت توسط یک شبکه عصبی جدید توسعه یافته پیش‌بینی کرد.

 

مدل هوش مصنوعی تنها با داده‌های دما و حرکت عمودی جمع‌آوری شده از سطح فتوسفر خورشیدی می تواند حرکت افقی آشفته زیر سطح را به درستی شناسایی کند. این امر می‌تواند به ما در درک بهتر همرفت خورشیدی و فرآیندهایی کمک کند که انفجارها و فورانهای جت از خورشید را ایجاد می‌کنند (جت‌های تاجی فوران‌های مکرر و کوتاه‌ مدت پلاسما هستند که از اتمسفر خورشید پرتاب می‌شوند و از طریق تاج به بیرون حرکت می‌کنند).

 

یک تیم محققان به رهبری ستاره‌شناس ریوهتاروح ایشیکاوا از رصدخانه ملی نجوم  نوشت: ‘ما یک شبکه عصبی جدید را برای تخمین توزیع فضایی سرعت افقی با استفاده از توزیع فضایی دما و سرعت عمودی توسعه دادیم.’

 

این منجر به تشخیص کارآمد از ویژگی‌های فضایی گسترده و متمرکز شد. شبکه ما در مقایسه با آنچه که در مطالعات قبلی گزارش شده است، عملکرد بالاتری را در تقریبا تمام مقیاسهای فضایی نشان داد.’

 

فوتوسفر خورشیدی منطقه‌ای از اتمسفر خورشید است که معمولا به عنوان سطح آن نامیده می‌شود. این منطقه داخلی‌ترین یا پایین‌ترین لایه اتمسفر خورشیدی است و منطقه‌ای که فعالیتهای خورشیدی مانند لکه‌های خورشیدی، شراره‌های خورشیدی و پرتابهای جرم تاجی در آنجا ایجاد می‌شود.

 

اگر به دقت نگاه کنید، سطح فوتوسفر یکنواخت نیست. این سطح با بخشهای شلوغ، سبکتر در وسط و تاریک به سمت لبه‌ها پوشیده شده است. این دانه‌ها گرانول نامیده می‌شود (گرانول یک سلول همرفتی در فوتوسفر خورشید است. آنها توسط جریانهای همرفتی پلاسما در ناحیه همرفتی خورشید، مستقیماً زیر فتوسفر ایجاد می‌شوند. ظاهر دانه‌دار فتوسفر خورشیدی از بالای این سلول‌های همرفتی ایجاد می‌شود و به آن دانه‌بندی می‌گویند.) و آنها بالای سلول‌های همرفتی در پلاسمای خورشیدی واقع شده‌اند. پلاسمای داغ در وسط افزایش می‌یابد (جوششی به سمت بیرون و بالا دارد) و سپس در اطراف لبه‌ها می‌افتد، زیرا آن را به سمت خارج هل می‌دهد و خنک و سرد  می‌شود.

 

هنگامی که ما این سلول‌ها را مشاهده می‌کنیم، می‌توانیم دمای آنها را اندازه‌گیری کنیم و همچنین حرکت آنها را توسط اثر داپلر اندازه بگیریم، اما حرکت افقی را نمی‌توان به طور مستقیم تشخیص داد. با این حال، جریانهای کوچکتر در این سلولها می‌توانند با میدان های مغناطیسی خورشیدی ارتباط برقرار کنند تا سایر پدیده‌های خورشیدی را ایجاد کنند. علاوه بر این، ظاهرا آشفتگی نیز نقش مهمی در گرم کردن کرونا ی خورشیدی ایفا می‌کند، بنابراین دانشمندان تمایل دارند دقیقا درک کنند که چگونه پلاسما در فتوسفر رفتار می‌کند.

 

ایشیکاوا و تیم شبیه‌سازی‌های عددی، آشفتگی پلاسما را توسعه دادند و از سه مجموعه مختلف از داده‌های شبیه‌سازی برای آموزش شبکه عصبی خود استفاده کردند. آنها دریافتند که تنها براساس درجه حرارت و داده‌های جریان عمودی، AI ((artificial intelligence, or AI هوش مصنوعی می‌تواند به طور دقیق جریان‌های افقی را در شبیه‌سازی‌هایی دقیقا توصیف کند که در خورشید واقعی قابل شناسایی باشد.

 

این امر به این معنی است که ما می‌توانیم آن را از داده‌های خورشیدی بدست آوریم و انتظار داشته باشیم که نتایج حاصل از آن (هوش مصنوعی) نتیجه‌ای سازگار با آنچه دارد که در واقع در ستاره‌ جذاب ما اتفاق می‌افتد.

 

با این حال، شبکه عصبی نیاز به تنظیم دقیق دارد. در حالی که قادر به تشخیص جریانهای بزرگ مقیاس (پلاسما) بود، هوش مصنوعی یاAI  مشکلی در برداشت که مربوط به ویژگی‌های کوچکتر پلاسما  بود. محققان گفتند از آنجا که دقت آشفتگی کوچک مقیاس پلاسما برای برخی محاسبات بسیار مهم است، حل این موضوع باید گام بعدی در توسعه نرم‌افزار باشد.

 

با مقایسه نتایج سه مدل جابجایی در پلاسما، مشاهده کردیم که کاهش سریع طیف ارتباط (ارتباط  یک آمار است که می‌تواند برای بررسی رابطه بین دو سیگنال یا مجموعه داده‌ها مورد استفاده قرار گیرد) در مقیاس‌های پایین‌تر از مقیاس‌های تزریق انرژی رخ می‌دهد که با قله‌های طیف توان سرعت‌های عمودی مشخص می‌شوند. (سرعت عمودی به سرعت حرکت یک جسم در جهت عمودی اشاره دارد. تعریف سرعت عمودی را کاوش کنید و معادله محاسبه سرعت عمودی را یاد بگیرید. بدانید که وقتی سرعت عمودی است، گرانش به طور قابل توجهی بر نرخ شتاب تأثیر می‌گذارد). آنها در مقاله خود نوشتند که شبکه به طور مناسب برای بازتولید میدانهای سرعت در مقیاسهای کوچک تولید شده توسط آبشارهای آشفته آموزش ندیده است. ( یک آبشار انرژی شامل انتقال انرژی از مقیاسهای بزرگ حرکت به مقیاسهای کوچک (به نام یک آبشار مستقیم انرژی) و یا انتقال انرژی از مقیاسهای کوچک به مقیاسهای بزرگ (به نام یک آبشار معکوس) می‌باشد. این انتقال انرژی بین مقیاسهای مختلف مستلزم آن است که دینامیک سیستم غیرخطی باشد.). این چالش‌ها را می توان در مطالعات آینده مورد بررسی قرار داد.’

 

محققان کمی نزدیکتر به خانه یا هدف هستند ، محققان در حال توسعه نرم‌افزار خود هستند تا بتوانند فرآیند آشفتگی‌های فیوژن (همجوشی) را بهتر درک کنند – این موضوع یکی دیگر از برنامه‌های مهم برای استفاده در آینده است .

 

توضیح: نمای ساده شده‌ای از یک شبکه عصبی مصنوعی که شامل سلولهایی است (نورون) که از یک الگوریتم مثلا صفر و یک استفاده می‌کند و این سلول‌ها در شبکه قادر به ارتباط‌گیری با هم هستند و عملیاتی درست شبیه مغز انسان را انجام می‌دهند. البته مغز انسان بسیار پیچیده است.

فرایندی که درون شبکه‌ی عصبی مصنوعی دنبال می‌شود به این صورت است که نورون‌ها (دوایر رنگی) با توجه به اتصال‌هایی که با دیگر نورون‌ها دارند، داده‌هایی را دریافت می‌کنند و به دیگر نورون‌های متصل به خود می‌دهند. همچنین اتصال‌های موجود میان نورون‌ها متغیر می‌باشند و این نوید قابلیت یادگیری در آن شبکه را به ما می‌دهد. هدف کلی شبکه‌های عصبی مصنوعی، انجام مسائل دسته‌بندی و رگرسیون می‌باشد. (فرایندی که درون شبکه عصبی مصنوعی دنبال می‌شود به این صورت است که نورون‌ها با توجه به اتصال‌هایی که با دیگر نورون‌ها دارند، داده‌هایی را دریافت می‌کنند و به دیگر نورون‌های متصل به خود می‌دهند. همچنین اتصال‌های موجود میان نورون‌ها متغیر می‌باشند و این نوید قابلیت یادگیری در آن شبکه را به ما می‌دهد. هدف کلی شبکه‌های عصبی مصنوعی، انجام مسائل دسته‌بندی و رگرسیون  می‌باشد.)

 

مترجم: مرتضی نادری‌فرد

منبع:

Hidden Turbulence in The Atmosphere of The Sun Revealed by New AI Model

MICHELLE STARR 28 FEBRUARY 2022

 https://www.sciencealert.com/a-neural-network-can-find-hidden-turbulence-in-the-atmosphere-of-the-sun

 

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *