Штучний інтелект може прогнозувати сонячні спалахи

Кілька місяців тому, Сонце Ми побачимо 24 роки. Ця монстрозька пляма була помітна до голого ока (тобто без підходу, але з захисними окулярами) і давала підніматися до більш ніж сто спалахів. Кількість сонячних плям змінюється циклічно кожні 11 років, збільшення і зниження. Тепер сонце знаходиться в найбільш активної частини цього циклу: ми очікуємо багато плям і багато мух в найближчі місяці.

Люди, як правило, відлякуються руйнівною потужністю сонячних променів - є ймовірність того, що один день потужний вибух на сонці буде кинути тонну енергетичних частинок в нашому напрямку і обсмажити наші супутники зв'язку. Але що ніхто не думає про те, що ми можемо прогнозувати такі спалахи, як погода, і, таким чином, запобігти потенційним пошкодженням. Але як ви прогнозуєте сонячний спалах?

Один із способів використання програм машинного навчання, таких як штучний інтелект, який автоматично витягує дані з досвіду. Ці алгоритми постійно покращують математичні моделі як нові дані. Але для того, щоб дізнатися добре, алгоритми вимагають великої кількості даних. Вчені не вистачає даних на Сонце до 2010 року, коли була запущена сонячна динаміка динаміки (SDO), супутник з спостереження за сонцем, який надсилає про один і півтерабайти даних до Землі щодня - більше цього супутника, не пропускаючи космічних апаратів в історії відправлених даних. Про насй

Solar flares відомий як комплексний активний процес. Вони відбуваються в сонячній обстановці на сонячних майданчиках, розташованих на поверхні Сонця. Сонце, які зазвичай приходять в пари, діють як барні магніти - одне місце, як північний полюс, інший, як південний полюс. З огляду на те, що Сонце дуже багато плям, різні шари Сонце обертаються на різних швидкостях, Сам Сон має північні і південні полюси, магнітне поле стає надзвичайно насиченим. В результаті магнітні поля скручуються як гумка, яка випускає багато енергії в процесі їх існування. Так є сонячна кришка. Іноді закручені поля не спалахують, іноді спалахи з'являються від нешкідливих плям, іноді гігантських сонячних плям не виробляють нічого.

Ми не знаємо, як це відбувається. сонячний ліхтар з точки зору фізики. Ми знаємо, що флаєри магнітні в природі - але ми не знаємо, як вони випускають стільки енергії за цією швидкістю. У разі відсутності визначальної фізичної теорії найкраща надія для прогнозування сонячних променів лежить в процесі обробки наших гігантських масивів даних для відчуттів.

Є два основні способи прогнозування сонячних батарей: чисельні моделі та статистичні моделі. У першому випадку ми беремо в основу фізики, яку ми знаємо, робимо рівняння, запускаємо їх в час і отримуємо прогноз. По-друге, ми використовуємо статистика. Яка ймовірність, що активний регіон з гігантським сонцем буде мати спалах? Яка ймовірність, що це буде з невеликим місцем? Результатом є гігантські набори даних, повні з деталями: розмір сонячних плям, міцність магнітного поля. Вчені дивляться на посилання між цими деталями та сонячними прокладками.

алгоритми машинного навчання можуть бути завершені до цього. Ми використовуємо алгоритми машинного навчання. Біометричний годинник використовує його, щоб прокидати нам, коли наш організм потребує. Вони краще, ніж лікарі при прогнозуванні рідкісних генетичних захворювань. Визначте картини, які надихнули вчених по всій історії. Вчені знаходять алгоритми машинного навчання універсально корисними, оскільки вони можуть розуміти нелінійні дані, а з великими масивами практично неможливо для людини. Але багато моделей нелінійні, тому ці алгоритми все частіше використовуються в усіх сферах.

Вчені використовують алгоритми машинного навчання для прогнозування сонячних батарей на основі гіганта SDO. Щоб зробити це, нам довелося будувати базу всіх активних регіонів, які не спостерігали. Оскільки це історичні дані, ми вже знаємо, чи є ці активні регіони. Алгоритм навчання аналізує деталі активних регіонів – розмір сонячних плям, міцність асоційованих магнітних полів, їх скручування – розкрити загальну характеристику активної фларингової області.

Для цього алгоритм починається з припущення. Давайте скажемо, що крихітний сонник зі слабким магнітним полем виготовить гігантський паток. Потім перевірте відповідь. Оопи, ні. Далі алгоритм перепланує його припущення. Далі він буде робити його по-різному. Через пробну і похибку, з сотнями тисяч припущень і тестів алгоритм поступово покращує точність його прогнозів. Ви можете застосувати до даних в режимі реального часу, і він продовжує вчитися.

Безперервна робота в цьому напрямку дозволить нам краще зрозуміти майбутні сонячні ліхтарі. На сьогоднішній день вчені показали, що алгоритми машинного навчання краще або, на найгірших, таких же як статистичні або чисельні методи. І це круто, насправді. Алгоритми, як це може працювати без введення людини, просто, дивлячись на величезні кількості даних, будуть нескінченно корисними — і чим далі, тим більше — в широкому асортименті полів. Більш цікавіше алгоритми, які роблять прогнози сонячних променів, можуть працювати з генетичними захворюваннями та їх визначенням.

Що робити, якщо є більше даних? Хто знає. В той час як у нас є багато даних на Сонце — СДО вже чотири та півтора роки — там не було багато сонячних батарей. Тому ми в найсвіжіших сонячних циклах ст. Причини продовження збору даних.

Джерело: hi-news.ru