Модель с улучшенным ИИ может улучшить прогнозирование космической погоды
Резюме результатов модели PreMevE-MEO. Автор: Space Weather (2024). DOI: 10.1029/2024SW003975
«Электроны-убийцы», которые движутся почти со скоростью света внутри поясов Ван Аллена Земли — зоны, которая окружает планету и удерживает энергичные заряженные частицы, — представляют серьезную угрозу для оборудования в космосе, вызывая сбои в работе электроники.
Теперь в рамках сотрудничества между Лос-Аламосской национальной лабораторией и Университетом Северной Каролины в Чапел-Хилл исследователи используют машинное обучение (приложение искусственного интеллекта) для усовершенствования прогностической модели измерения электронов внутри внешнего радиационного пояса Земли.
Иску́сственный интелле́кт (ИИ; англ. artificial intelligence, AI) — свойство искусственных интеллектуальных систем выполнять творческие функции, которые традиционно считаются прерогативой человека (не следует путать с искусственным сознанием); наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ.
Искусственный интеллект связан со сходной задачей использования компьютеров для понимания человеческого интеллекта, но не обязательно ограничивается биологически правдоподобными методами.
Существующие на сегодня интеллектуальные системы имеют довольно узкие области применения. Википедия
Читайте также:США приказали TSMC прекратить поставки передовых процессоров ИИ в Китай: отчетAxiomtek анонсирует материнскую плату MMB541 Micro ATX для ИИ и промышленных приложенийSamsung надеется, что технология памяти PIM заменит HBM в приложениях ИИ следующего поколенияNetflix инвестирует в использование ИИ для создания игр после закрытия студииГендиректор AWS оценил энергопотребление для обучения ИИ
Исследование было недавно опубликовано в журнале Space Weather и является важным шагом вперед в улучшении возможностей прогнозирования космической погоды и защиты спутников.
Новая возможность прогнозирования команды, называемая Predictive MeV Electron—Medium Earth Orbit, или PreMevE-MEO, может предоставлять более точные и эффективные почасовые прогнозы. Входные данные модели PreMevE-MEO включают электроны, наблюдаемые 12 спутниками GPS на средней околоземной орбите и одним геосинхронным спутником Los Alamos на околоземной орбите. Команда разработала инновационный алгоритм машинного обучения, объединяющий сверточные нейронные сети с трансформаторами, для улучшения модели.
В результате исследователи показали, что можно делать высокоточные прогнозы, основанные на наблюдениях с давней космической инфраструктуры на средней околоземной орбите, расстоянии над Землей, на котором работают многие навигационные и метеорологические спутники. Модель имеет потенциал стать ценным инструментом оперативного предупреждения о космической погоде.
Новая модель также использует уникальные данные GPS Лос-Аламоса, которые объединяют данные рентгеновского дозиметра о частицах, впервые предоставленные общественности в 2017 году и архивированные Национальными центрами экологической информации Национального управления океанических и атмосферных исследований.
Уникальным аспектом этих данных является то, что в отличие от традиционных исследовательских миссий, проводимых NASA, это долгосрочное созвездие с более чем 100 лет спутниковых данных. Это один из немногих ресурсов космической среды, который действительно попадает в категорию больших данных, в которых могут применяться современные подходы ИИ.
Эта работа поддерживает недавний План реализации Национальной стратегии и плана действий по космической погоде, в котором агентствам поручено выявлять и публиковать исторические данные со спутников, финансируемых правительством США наземных обсерваторий и сетей, измерений по всей электросети и потоков данных магнитометров, которые будут полезны для улучшения разработки, проверки и тестирования моделей, используемых для описания и прогнозирования событий космической погоды.
Больше информации: Yinan Feng et al, PreMevE‐MEO: Predicting Ultra‐Relativistic Electrons Using Observations From GPS Satellites, Space Weather (2024). DOI: 10.1029/2024SW003975
Источник: Los Alamos National Laboratory
0 комментариев