Нейросеть внутри звезды: ученые заставили искусственный интеллект раскрыть тайну солнечных бурь

Российские ученые из Института механики сплошных сред УрО РАН, Института земного магнетизма, ионосферы и распространения радиоволн им. Н.В. Пушкова РАН и Московского государственного университета им. М.В. Ломоносова разработали новый метод моделирования циклической магнитной активности Солнца. Они впервые применили аппарат нейродифференциальных уравнений для описания солнечного динамо, что позволило заменить теоретические допущения о турбулентности данными, которые нейросеть извлекает из наблюдений. Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в престижном международном журнале Physical Review E.

Когда физика встречается с нейросетью: новый взгляд на сердце солнечной активности

Солнце — не идеально спокойная звезда, а бурный и непредсказуемый объект. Периодически на его поверхности вспыхивают пятна, происходят мощные выбросы энергии, которые, достигая Земли, вызывают магнитные бури. Последние способны выводить из строя спутники, перегружать энергосети и влиять на самочувствие людей. Именно поэтому ученые давно стремятся научиться предсказывать солнечную погоду. Ключ к таким предсказаниям лежит в понимании так называемого солнечного динамо, сложного процесса, благодаря которому наше светило генерирует собственное магнитное поле. Пятна на Солнце это самое наглядное проявление этого глубинного механизма, и их количество служит главным измерителем для проверки теоретических моделей.

Однако построить работающую модель динамо, способную не просто описывать прошлые циклы, но и заглядывать в будущее, оказалось невероятно трудно. Главное препятствие это турбулентность. Внутри Солнца раскаленная плазма движется хаотично, закручиваясь в спирали. Этот спиральный механизм, называемый α-эффектом, как раз и отвечает за генерацию магнитного поля. Но чем сильнее становится само поле, тем сильнее оно подавляет породившую его турбулентность — явление, известное как α-квенчинг. Раньше математики описывали эту обратную связь приблизительными формулами, основанными на теоретических догадках, а не на реальных наблюдениях.

Команда исследователей под руководством доктора физико-математических наук Родиона Степанова предложила революционный выход из этого тупика. Они заменили традиционное приближенное уравнение для α-квенчинга… нейронной сетью. Этот искусственный интеллект оказался встроен прямо в систему дифференциальных уравнений, описывающих динамо. Получилась гибридная модель, или нейродифференциальное уравнение. Нейросеть не придумывает физику сама, а обучается на реальных данных наблюдений за солнечными пятнами. Она как бы восстанавливает истинную форму нелинейной обратной связи, которую раньше ученым приходилось угадывать. Ключевым инструментом, позволившим эффективно обучить такую сложную систему, стал метод сопряженных уравнений, относительно новая вычислительная технология.

В серии численных экспериментов модель блестяще доказала свою состоятельность. Сначала ученые провели «слепые» тесты, где нейросеть обучали на данных, сгенерированных ею же самой, и она успешно восстанавливала исходные параметры. Затем исследователи перешли к реальным данным о солнечных циклах. И тут гибридная модель показала выдающийся результат: она смогла воспроизвести давно наблюдаемую, но крайне трудную для базовых моделей особенность — асимметрию солнечного цикла, когда фаза роста активности очень короткая и резкая, а фаза спада долгая и пологая.

Неожиданная неоднозначность и путь к настоящему прогнозу

Однако самый важный вывод работы лежит не в области вычислительных успехов, а в глубоком понимании самой природы солнечного динамо. Оказалось, что обратная задача — определение формы α-квенчинга по данным о числе пятен, имеет множество решений. Исследователи нашли более сотни различных функций, которые одинаково хорошо описывали одни и те же наблюдения. Каждой такой функции соответствовало свое значение динамо-числа. Но между ними обнаружилась устойчивая связь: чем быстрее турбулентность подавляется магнитным полем, тем выше должно быть динамо-число. Это фундаментальный компромисс, который нужно учитывать в любых моделях.

Отсюда следует практический вывод, важный для будущих астрофизических миссий. Чтобы однозначно определить истинную зависимость и получить по-настоящему прогностическую модель, одних лишь наблюдений за числом пятен недостаточно. Необходимо собирать больше типов данных, в том числе пространственно разрешенных (то есть показывающих распределение активности по широте). Чем больше разнообразной информации получит нейросеть, тем меньше станет разброс решений и тем точнее будет предсказание.

В результате исследования российские ученые впервые успешно объединили физическую модель солнечного динамо с нейронной сетью, что позволило воспроизвести реальную асимметрию солнечных циклов. Они доказали принципиальную работоспособность подхода и выявили фундаментальную неоднозначность обратной задачи, показав, что для создания надежного прогноза солнечной активности необходимы более богатые и разнообразные наблюдательные данные, а не только подсчет пятен.

Присоединяйтесь к нам в соцсетях