Det finns tre svårighetsgrader för rymdstormar:geomagnetiska stormar, solstrålningsstormar och radioavbrott. Dessa stormar ger olika effekter på jorden, inklusive satellit-, GPS-, kommunikations- och elnätsproblem, såväl som hälsofaror för astronauter och människor på höghöjdsflyg. Geomagnetiska stormar producerar också vackra norrsken som vanligtvis observeras i polära områden.
På grund av de potentiella negativa effekterna av rymdstormar har forskare utvecklat fysikbaserade modeller som förutsäger norrskensströmsystemet baserat på de inkommande solvindspartiklarna som kastas ut från solen.
Fram till denna punkt var dock sådana modeller långsamma och krävde en hel superdator för att köras. Forskare har nu skapat en maskininlärningsbaserad emulator som efterliknar fysikbaserade simuleringar av norrskensströmsystem mycket snabbare och med mindre datorkraft.
Teamet publicerade resultaten av sin studie i tidskriften Space Weather .
"En fysikbaserad simulering av norrskensströmsystemet är ett alternativ för rymdväderprognosen. Däremot behöver vi en utsedd superdator för att köra den fysikbaserade simuleringen", säger Ryuho Kataoka, första författare till artikeln och docent vid den National Institute of Polar Research och SOKENDAI, båda i Tachikawa, Japan.
"En av dessa modeller är REPPU (REProduce Plasma Universe), som är en välkänd och pålitlig modell som återger norrskensströmsystemet. När vi väl skapat 'emulatorn' kunde vi få liknande resultat med en bärbar dator."
Den nya emulatormodellen, Surrogate Model for REPPU Auroral Ionosphere version 2 (SMRAI2), är en miljon gånger snabbare än den fysikbaserade simuleringen och inkluderar säsongseffekter i sin modellering.
Även om solväderprognoser inte kan förändra effekterna av solstrålning och solvindspartiklar på och runt jorden, kan de hjälpa samhällen som påverkas av solväder att förbereda sig på kommunikationssvårigheter och misslyckanden och begränsa strålningsexponeringen för astronauter och flygplanspassagerare på hög höjd.
Speciellt satelliter är mycket känsliga för motstånd som orsakas av magnetiska stormar. Faktum är att 38 kommersiella satelliter gick förlorade i februari 2022 på grund av återinträde i jordens atmosfär efter en måttlig magnetisk storm. Dessa magnetiska stormar är resultatet av en stor energiöverföring från solvinden till jordens magnetosfär.
Forskargruppen använde en tidsberoende maskininlärningsmodell som heter echo state network (ESN) för att skapa den fysikbaserade prediktionsmodellemulatorn. Viktigt är att ESN:er är en typ av återkommande neurala nätverk utformade för att effektivt hantera sekventiell data.
Den aktuella studien förbättrade faktiskt en första version av den ESN-baserade emulatorn, ver1.0. Teamet tränade den nya emulatormodellen, SMRAI2, med hjälp av en storleksordning fler fysikbaserade simuleringsutgångar än den ursprungliga version 1.0-modellen.
"Produkten av denna studie, SMRAI2, är det första exemplet på norrskensfysik som använder en maskininlärningsteknik för att emulera den jonosfäriska uteffekten av den fysikbaserade globala magnetohydrodynamiska (MHD)-simuleringen. Ackumulera mer MHD-simuleringsdata och använda andra banbrytande maskininlärningsmodeller kommer att göra det möjligt för oss att uppdatera prediktionsnoggrannheten inom en snar framtid," sa Kataoka. MHD-simuleringar är utformade för att beskriva beteendet hos magnetosfären, där solvinden interagerar med jordens magnetfält.
Nästa steg för forskargruppen är att införliva emulatorn i att köra ensemblens rymdväderprognos, som är en uppsättning prognoser som erbjuder en rad framtida rymdväderprognoser. Deras slutmål är att använda emulatorn, tillsammans med många observationsdatauppsättningar, i en dataassimileringsprognos, som integrerar modellutdata och observationer för att förbättra prediktionsnoggrannheten.
Mer information: Ryuho Kataoka et al, Machine Learning-Based Emulator for Physics-Based Simulation of Auroral Current System, Rymdväder (2024). DOI:10.1029/2023SW003720
Journalinformation: Rymdväder
Tillhandahålls av Research Organization of Information and Systems
