Un nouveau programme d’IA permet d’identifier les plasmoïdes spatiaux insaisissables

Dans un jeu de cache-cache cosmique permanent, les scientifiques disposent d’un nouvel outil qui pourrait leur donner un avantage. Des physiciens du laboratoire de physique des plasmas de Princeton (PPPL) du département américain de l’énergie (DOE) ont développé un programme informatique intégrant l’apprentissage automatique qui pourrait aider à identifier des amas de plasma dans l’espace, appelés plasmoïdes. Dans une innovation, le programme a été entraîné à l’aide de données simulées.

Le programme examinera des volumes de données recueillies par des sondes spatiales dans la magnétosphère, la région de l’espace fortement affectée par le champ magnétique terrestre, et identifiera les signes révélateurs de ces insaisissables taches. Grâce à cette technique, les scientifiques espèrent en apprendre davantage sur les processus qui régissent la reconnexion magnétique, un processus qui se produit dans la magnétosphère et dans tout l’univers et qui peut endommager les satellites de communication et le réseau électrique.

Les scientifiques pensent que l’apprentissage automatique pourrait améliorer la capacité de recherche de plasmoïdes, aider à la compréhension de base de la reconnexion magnétique et permettre aux chercheurs de mieux se préparer aux conséquences des perturbations causées par la reconnexion.

« À notre connaissance, c’est la première fois que quelqu’un utilise l’intelligence artificielle entraînée sur des données simulées pour rechercher des plasmoïdes », a déclaré Kendra Bergstedt, étudiante diplômée du programme de physique des plasmas de Princeton, basé au PPPL. Bergstedt a été la première auteure de l’article rapportant les résultats dans Sciences de la Terre et de l’EspaceCe travail associe l’expertise croissante du laboratoire en sciences informatiques à sa longue histoire d’exploration de la reconnexion magnétique.

Je recherche un lien

Les scientifiques souhaitent trouver des méthodes fiables et précises pour détecter les plasmoïdes afin de déterminer s’ils affectent la reconnexion magnétique, un processus consistant en la séparation des lignes de champ magnétique, leur rattachement violent et la libération d’énormes quantités d’énergie. Lorsqu’elle se produit près de la Terre, la reconnexion peut déclencher une cascade de particules chargées tombant dans l’atmosphère, perturbant les satellites, les téléphones portables et le réseau électrique.

« Certains chercheurs pensent que les plasmoïdes favorisent une reconnexion rapide dans les grands plasmas », a déclaré Hantao Ji, professeur de sciences astrophysiques à l’université de Princeton et chercheur distingué au PPPL. « Mais ces hypothèses n’ont pas encore été prouvées. »

Les chercheurs veulent savoir si les plasmoïdes peuvent modifier la vitesse à laquelle se produit la reconnexion. Ils veulent également évaluer la quantité d’énergie que la reconnexion transmet aux particules de plasma.

« Mais pour clarifier la relation entre les plasmoïdes et la reconnexion, nous devons savoir où se trouvent les plasmoïdes », a déclaré Bergstedt. « C’est ce que l’apprentissage automatique pourrait nous aider à faire. »

Les scientifiques ont utilisé des données d’entraînement générées par ordinateur pour s’assurer que le programme pouvait reconnaître une gamme de signatures de plasma. En général, les plasmoïdes créés par des modèles informatiques sont des versions idéalisées basées sur des formules mathématiques avec des formes – comme des cercles parfaits – qui n’apparaissent pas souvent dans la nature.

Si le programme n’était entraîné qu’à reconnaître ces versions parfaites, il pourrait passer à côté de celles qui ont d’autres formes. Pour éviter ces erreurs, Bergstedt et Ji ont décidé d’utiliser des données artificielles, volontairement imparfaites, afin que le programme dispose d’une base de référence précise pour les études futures.

« Comparé aux modèles mathématiques, le monde réel est confus », a déclaré Bergstedt.

« Nous avons donc décidé de laisser notre programme apprendre en utilisant des données présentant des fluctuations que l’on obtiendrait dans des observations réelles. Par exemple, plutôt que de commencer nos simulations avec une feuille de courant électrique parfaitement plate, nous donnons à notre feuille quelques oscillations. Nous espérons que l’approche d’apprentissage automatique pourra permettre plus de nuances qu’un modèle mathématique strict. »

Cette recherche s’appuie sur des tentatives passées dans lesquelles Bergstedt et Ji ont écrit des programmes informatiques incorporant des modèles plus idéalisés de plasmoïdes.

Selon les scientifiques, l’utilisation de l’apprentissage automatique ne fera que se généraliser dans la recherche en astrophysique. « Cela pourrait être particulièrement utile pour faire des extrapolations à partir d’un petit nombre de mesures, comme nous le faisons parfois lorsque nous étudions la reconnexion », a déclaré Ji. « Et la meilleure façon d’apprendre à utiliser un nouvel outil est de l’utiliser réellement. Nous ne voulons pas rester à l’écart et rater une opportunité. »

Bergstedt et Ji prévoient d’utiliser le programme de détection de plasmoïdes pour examiner les données recueillies par la mission Magnetospheric Multiscale (MMS) de la NASA. Lancée en 2015 pour étudier la reconnexion, MMS se compose de quatre engins spatiaux volant en formation à travers le plasma de la queue magnétique, la zone de l’espace qui pointe à l’opposé du soleil et qui est contrôlée par le champ magnétique terrestre.

La magnétoqueue est un endroit idéal pour étudier la reconnexion car elle combine accessibilité et échelle.

« Si nous étudions la reconnexion en observant le Soleil, nous ne pouvons prendre des mesures qu’à distance », a déclaré Bergstedt. « Si nous observons la reconnexion en laboratoire, nous pouvons placer nos instruments directement dans le plasma, mais la taille des plasmas serait plus petite que celle que l’on trouve généralement dans l’espace. »

L’étude de la reconnexion dans la queue magnétique est une option intermédiaire idéale. « Il s’agit d’un plasma de grande taille et naturel que nous pouvons mesurer directement à l’aide d’engins spatiaux qui le traversent », a déclaré Bergstedt.

En améliorant le programme de détection des plasmoïdes, Bergstedt et Ji espèrent franchir deux étapes importantes. La première consiste à mettre en œuvre une procédure appelée adaptation de domaine, qui aidera le programme à analyser des ensembles de données qu’il n’a jamais rencontrés auparavant. La deuxième étape consiste à utiliser le programme pour analyser les données du vaisseau spatial MMS.

« La méthodologie que nous avons démontrée est en grande partie une preuve de concept, car nous ne l’avons pas optimisée de manière agressive », a déclaré Bergstedt. « Nous voulons que le modèle fonctionne encore mieux qu’il ne l’est actuellement, commencer à l’appliquer à des données réelles et nous partirons de là. »