Нейросеть помогла описать турбулентность в модели солнечного динамо
Российские ученые предложили новый способ моделировать солнечный цикл. Основу модели составляют физические уравнения солнечного динамо, а нейросеть подбирает по наблюдениям ту часть, которую раньше задавали приближенно: как турбулентная плазма влияет на магнитное поле Солнца. Работу выполнили специалисты Института механики сплошных сред УрО РАН, ИЗМИРАН и МГУ имени М.В. Ломоносова. Исследование поддержано грантом Российского научного фонда и опубликовано в журнале Physical Review E.
Солнечное динамо — это процесс, из-за которого внутри Солнца возникает и меняется магнитное поле. Его проявления видны на поверхности звезды, в том числе по числу солнечных пятен. По ним ученые проверяют модели солнечного цикла: активности становится больше, затем она идет на спад, и этот процесс повторяется примерно каждые 11 лет.
Одна из главных сложностей в моделировании солнечного динамо — турбулентность. Внутри Солнца плазма движется хаотично, и это влияет на генерацию магнитного поля. Важную роль играет α-эффект — механизм, при котором спиральное движение турбулентной плазмы усиливает магнитное поле. Но само магнитное поле затем подавляет этот процесс. Это подавление называют α-квенчингом.
Раньше эту часть модели описывали приближенными формулами. Теперь ее подбирает нейросеть: она обучается на данных наблюдений и ищет зависимость, которая лучше воспроизводит солнечный цикл.
«Проведение прямого численного моделирования, описывающего турбулентные течения на всех масштабах, требует колоссальных вычислительных ресурсов. Предлагаемый нами подход, основанный на интеграции физических уравнений с нейросетью, позволяет идентифицировать ключевые параметры модели непосредственно по наблюдательным данным», — пояснил руководитель проекта, доктор физико-математических наук Родион Степанов.
Сначала метод проверили на искусственных данных, а затем применили к усредненному солнечному циклу. Нейросетевая модель смогла воспроизвести его асимметрию: активность растет быстрее, чем затем спадает. Это хорошо известная особенность солнечного цикла, которую трудно получить в простых моделях динамо.
Ограничение тоже есть. По одним только данным о числе солнечных пятен можно подобрать много разных вариантов α-квенчинга и динамо-числа. Чтобы сделать модель однозначнее, нужны разные типы наблюдений, а не только общий индекс пятен.
В дальнейшем авторы работы хотят усложнить расчеты: добавить зависимость от широты и обучать модель на более подробных наблюдениях Солнца. Если в модель удастся ввести медленные изменения параметров во времени, ее можно будет использовать для прогноза будущей солнечной активности.
Как солнечная активность влияет на спутники, связь, навигацию и энергосистемы, рассказываем здесь.
Обложка NASA
Самое популярное
