Los científicos desarrollaron una técnica de aprendizaje profundo de redes neuronales para extraer información oculta de movimiento turbulento de las observaciones del sol. Las pruebas en tres conjuntos diferentes de datos de simulación mostraron que es posible inferir el movimiento horizontal a partir de los datos de temperatura y movimiento vertical. Esta técnica beneficiará a la astronomía solar y otros campos como la física del plasma, la ciencia de la fusión y la dinámica de fluidos.

El sol es importante para el Objetivo de Desarrollo Sostenible de Energía Limpia y Asequible, tanto como fuente de energía solar como ejemplo natural de energía de fusión. Nuestra comprensión del sol está limitada por los datos que podemos recopilar. Es relativamente fácil observar la temperatura y el movimiento vertical del plasma solar, un gas tan caliente que los átomos que lo componen se descomponen en electrones e iones. Pero es difícil determinar el movimiento horizontal.
Para abordar este problema, un equipo de científicos dirigido por el Observatorio Astronómico Nacional de Japón y el Instituto Nacional de Ciencias de la Fusión creó un modelo de red neuronal y lo alimentó con datos de tres simulaciones diferentes de turbulencia de plasma. Después del entrenamiento, la red neuronal pudo inferir correctamente el movimiento horizontal dado solo el movimiento vertical y la temperatura.
El equipo también desarrolló un espectro de coherencia novedoso para evaluar el rendimiento de la salida en diferentes escalas de tamaño. Este nuevo análisis mostró que el método logró predecir los patrones a gran escala en el movimiento turbulento horizontal, pero tuvo problemas con las características pequeñas. El equipo ahora está trabajando para mejorar el rendimiento a pequeña escala. Se espera que este método pueda aplicarse a futuras observaciones solares de alta resolución, como las que se esperan del telescopio de globo SUNRISE-3, así como a los plasmas de laboratorio, como los creados en la investigación científica de fusión para nuevas energías.
Estos resultados aparecieron como Ishikawa et al. “Aprendizaje profundo multiescala para estimar campos de velocidad horizontal en la superficie solar” en la edición en línea de Astronomía y astrofísica del 16 de febrero de 2022.