Hay tres niveles de gravedad para las tormentas espaciales:tormentas geomagnéticas, tormentas de radiación solar y apagones de radio. Estas tormentas producen diferentes efectos en la Tierra, incluidos problemas con los satélites, el GPS, las comunicaciones y la red eléctrica, así como peligros para la salud de los astronautas y las personas en vuelos a gran altitud. Las tormentas geomagnéticas también producen las hermosas auroras que se observan comúnmente en las regiones polares.
Debido a los posibles efectos negativos de las tormentas espaciales, los investigadores han desarrollado modelos basados en la física que predicen el sistema de corrientes aurorales basándose en las partículas entrantes del viento solar expulsadas del sol.
Sin embargo, hasta ese momento, estos modelos eran lentos y requerían una supercomputadora completa para funcionar. Los investigadores han creado ahora un emulador basado en aprendizaje automático que imita simulaciones de sistemas de corrientes aurorales basadas en la física mucho más rápidamente y con menos potencia informática.
El equipo publicó los resultados de su estudio en la revista Space Weather. .
"Una simulación basada en la física del sistema de corrientes aurorales es una opción para el pronóstico del clima espacial. Sin embargo, necesitamos una supercomputadora designada para ejecutar la simulación basada en la física", dijo Ryuho Kataoka, primer autor del artículo y profesor asociado en la Instituto Nacional de Investigación Polar y SOKENDAI, ambos en Tachikawa, Japón.
"Uno de estos modelos es REPPU (REProduce Plasma Universe), que es un modelo conocido y confiable que reproduce el sistema de corrientes aurorales. Una vez que creamos el 'emulador', pudimos obtener resultados similares usando una computadora portátil". P>
El nuevo modelo de emulador, Surrogate Model for REPPU Auroral Ionosphere versión 2 (SMRAI2), es un millón de veces más rápido que la simulación basada en la física e incorpora efectos estacionales en su modelado.
Si bien los pronósticos del clima solar no pueden cambiar los efectos de la radiación solar y las partículas del viento solar en la Tierra y sus alrededores, pueden ayudar a las comunidades afectadas por el clima solar a prepararse para dificultades y fallas de comunicación y limitar la exposición a la radiación de los astronautas y los pasajeros de aviones a gran altitud. P>
Los satélites, en particular, son muy sensibles al arrastre provocado por las tormentas magnéticas. De hecho, 38 satélites comerciales se perdieron en febrero de 2022 debido al reingreso a la atmósfera terrestre tras una tormenta magnética moderada. Estas tormentas magnéticas son el resultado de una gran transferencia de energía del viento solar a la magnetosfera de la Tierra.
El equipo de investigación utilizó un modelo de aprendizaje automático dependiente del tiempo llamado red de estado de eco (ESN) para crear el emulador del modelo de predicción basado en la física. Es importante destacar que los ESN son un tipo de red neuronal recurrente diseñada para manejar datos secuenciales de manera eficiente.
El estudio actual en realidad mejoró una versión inicial del emulador basado en ESN, ver1.0. El equipo entrenó el nuevo modelo de emulador, SMRAI2, utilizando un orden de magnitud más de resultados de simulación basados en la física que el modelo original versión 1.0.
"El producto de este estudio, SMRAI2, es el primer ejemplo de física de auroras que utiliza una técnica de aprendizaje automático para emular la salida ionosférica de la simulación magnetohidrodinámica global (MHD) basada en la física. Acumulando más datos de simulación MHD y utilizando otras tecnologías de vanguardia Los modelos de aprendizaje automático nos permitirán actualizar la precisión de la predicción en un futuro próximo", afirmó Kataoka. Las simulaciones MHD están diseñadas para describir el comportamiento de la magnetosfera, donde el viento solar interactúa con el campo magnético de la Tierra.
El siguiente paso para el equipo de investigación es incorporar el emulador en la ejecución del pronóstico del clima espacial conjunto, que es un conjunto de pronósticos que ofrecen una variedad de predicciones futuras del clima espacial. Su objetivo final es utilizar el emulador, junto con muchos conjuntos de datos de observación, en un pronóstico de asimilación de datos, que integra la salida del modelo y las observaciones para mejorar la precisión de la predicción.
Más información: Ryuho Kataoka et al, emulador basado en aprendizaje automático para la simulación basada en la física del sistema de corrientes aurorales, clima espacial (2024). DOI:10.1029/2023SW003720
Información de la revista: Clima espacial
Proporcionado por Organización de Investigación de Sistemas e Información
