Aprendizaje automático: Clave para resolver enigmas astrofísicos

En un juego de escondite cósmico en curso, los científicos tienen una nueva herramienta que puede darles una ventaja. Físicos del Departamento de Energía de los Estados Unidos (DOE) Princeton Plasma Physics Laboratory (PPPL) han desarrollado un programa informático que incorpora aprendizaje automático que podría ayudar a identificar manchas de plasma en el espacio exterior conocido como plasmoides. En un giro novedoso, el programa ha sido entrenado utilizando datos simulados.

El programa filtrará cantidades ingentes de datos recopilados por naves espaciales en la magnetosfera, la región del espacio exterior fuertemente afectada por el campo magnético de la Tierra, y marcará señales reveladoras de las escurridizas manchas. Mediante esta técnica, los científicos esperan aprender más sobre los procesos que rigen la reconexión magnética, un proceso que ocurre en la magnetosfera y en todo el universo que puede dañar los satélites de comunicaciones y la red eléctrica.

Los científicos creen que el aprendizaje automático podría mejorar la capacidad de detección de plasmoides, ayudar a la comprensión básica de la reconexión magnética y permitir a los investigadores prepararse mejor para las consecuencias de las perturbaciones causadas por la reconexión.

“Que sepamos, esta es la primera vez que alguien utiliza la inteligencia artificial entrenada con datos simulados para buscar plasmoides”, dijo Kendra Bergstedt, estudiante de posgrado en el Princeton Program in Plasma Physics, que tiene su sede en PPPL. Bergstedt fue la primera autora del artículo que informaba de los resultados en Earth and Space Science. El trabajo combina la creciente experiencia del Laboratorio en ciencias computacionales con su larga historia de exploración de la reconexión magnética.

Buscando un enlace

Los científicos quieren encontrar métodos fiables y precisos para detectar plasmoides para poder determinar si afectan a la reconexión magnética, un proceso que consiste en que las líneas del campo magnético se separan, se vuelven a unir violentamente y liberan 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 los satélites, los teléfonos móviles y la red eléctrica. “Algunos investigadores creen que los plasmoides ayudan a la reconexión rápida en plasmas grandes”, dijo Hantao Ji, profesor de ciencias astrofísicas en la Universidad de Princeton y distinguido investigador del PPPL. “Pero esas hipótesis todavía no se han probado”.

Los investigadores quieren saber si los plasmoides pueden cambiar la velocidad a la que ocurre la reconexión. También quieren medir cuánta energía transfiere la reconexión a las partículas de plasma. “Pero para aclarar la relación entre los plasmoides y la reconexión, tenemos que saber dónde están los plasmoides”, dijo Bergstedt. “Eso es lo que el aprendizaje automático podría ayudarnos a hacer”.

Los científicos utilizaron datos de entrenamiento generados por ordenador para garantizar que el programa pudiera reconocer una gama de firmas de plasma. Normalmente, los plasmoides creados por modelos informáticos son versiones idealizadas basadas en fórmulas matemáticas con formas —como círculos perfectos—  que no suelen ocurrir en la naturaleza. Si el programa sólo estuviera entrenado para reconocer estas versiones perfectas, podría perder las que tienen otras formas. Para evitar esas pérdidas, Bergstedt y Ji decidieron utilizar datos artificiales, deliberadamente imperfectos, para que el programa tuviera una línea de base precisa para futuros estudios. “En comparación con los modelos matemáticos, el mundo real es un desastre”, dijo Bergstedt. “Así que decidimos dejar que nuestro programa aprendiera utilizando datos con fluctuaciones que se obtendrían en observaciones reales. Por ejemplo, en lugar de empezar nuestras simulaciones con una lámina de corriente eléctrica perfectamente plana, le damos a nuestra lámina algunas vibraciones. Esperamos que el enfoque del aprendizaje automático pueda permitir más matices de los que puede permitir un modelo matemático estricto”. Esta investigación se basa en intentos anteriores en los que Bergstedt y Ji escribieron programas informáticos que incorporaban modelos más idealizados de plasmoides.

El uso del aprendizaje automático sólo será más común en la investigación astrofísica, según los científicos. “Podría ser especialmente útil al hacer extrapolaciones a partir de un pequeño número de medidas, como a veces hacemos cuando estudiamos la reconexión”, dijo Ji. “Y la mejor manera de aprender a usar una nueva herramienta es usarla realmente. No queremos quedarnos al margen y perder una oportunidad”.

Bergstedt y Ji planean utilizar el programa de detección de plasmoides para examinar los datos que está recopilando la misión Magnetospheric Multiscale (MMS) de la NASA. Lanzada en 2015 para estudiar la reconexión, la MMS consiste en cuatro naves espaciales que vuelan en formación a través del plasma en la cola magnetotérmica, la zona del espacio que apunta hacia el sol que está controlada por el campo magnético de la Tierra.

La cola magnetotérmica es un lugar ideal para estudiar la reconexión porque combina la accesibilidad con la escala. “Si estudiamos la reconexión observando el sol, sólo podemos tomar medidas desde lejos”, dijo Bergstedt. “Si observamos la reconexión en un laboratorio, podemos poner nuestros instrumentos directamente en el plasma, pero los tamaños de los plasmas serían más pequeños que los que se encuentran normalmente en el espacio”. Estudiar la reconexión en la cola magnetotérmica es una opción intermedia ideal. “Es un plasma grande y natural que podemos medir directamente utilizando naves espaciales que vuelan a través de él”, dijo Bergstedt.

A medida que Bergstedt y Ji mejoran el programa de detección de plasmoides, esperan dar dos pasos importantes. El primero es realizar un procedimiento conocido como adaptación de dominio, que ayudará al programa a analizar conjuntos de datos que nunca ha encontrado antes. El segundo paso consiste en utilizar el programa para analizar datos de la nave espacial MMS. “La metodología que demostramos es en su mayoría una prueba de concepto, ya que no la hemos optimizado agresivamente”, dijo Bergstedt. “Queremos que el modelo funcione aún mejor de lo que lo hace ahora, empezar a aplicarlo a datos reales y luego ¡ya veremos!”.

Esta investigación fue apoyada por el programa Fusion Energy Sciences del DOE bajo el contrato DE-AC0209CH11466, por la NASA bajo las becas NNH15AB29I y 80HQTR21T0105, y por la National Science Foundation Graduate Research Fellowship bajo la beca DGE-2039656.

—

PPPL está dominando el arte de utilizar el plasma —el cuarto estado de la materia— para resolver algunos de los retos científicos y tecnológicos más difíciles del mundo. Ubicado en el campus Forrestal de la Universidad de Princeton en Plainsboro, Nueva Jersey, nuestra investigación enciende la innovación en una gama de aplicaciones, incluida la energía de fusión, la fabricación a nanoescala, los materiales y dispositivos cuánticos y la ciencia de la sostenibilidad. La Universidad administra el Laboratorio para la Oficina de Ciencias del Departamento de Energía de los Estados Unidos, que es el mayor financiador de investigación básica en ciencias físicas del país. Siente el calor en https://energy.gov/science y http://www.pppl.gov.