Πώς τα νευρωνικά δίκτυα μπορούν να δώσουν πληροφορίες για τη μαγνητόσφαιρα του Κρόνου;

Το διαστημόπλοιο Cassini μπήκε σε τροχιά γύρω από τον Κρόνο την 1η Ιουλίου του 2004, μετά από ταξίδι περίπου 7 ετών στο διάστημα και με πολλαπλές ωθήσεις από τη βαρύτητα της Αφροδίτης, τη Γης και του Δία. 

Καθώς πλησίαζε τον Κρόνο, συνάντησε το πρώτο από τα δύο σύνορα της μαγνητόσφαιρας, το κρουστικό κύμα (bow shock). Το σύνορο αυτό χωρίζει μια περιοχή με πλάσμα χαμηλής πυκνότητας και θερμοκρασίας (τον ηλιακό άνεμο) με πλάσμα υψηλής πυκνότητας και θερμοκρασίας στην περιοχή που ονομάζουμε μαγνητοθήκη (magnetosheath). Το Cassini, καθώς συνέχιζε την πορεία του, συνάντησε ένα δεύτερο σύνορο που ονομάζεται μαγνητόπαυση (magnetopause). Στο σύνορο αυτό διαχωρίζεται η μαγνητοθήκη από τη μαγνητόσφαιρα, την περιοχή όπου κυριαρχεί το μαγνητικό πεδίο του πλανήτη. Μια σχηματική απεικόνιση της μαγνητόσφαιρας του Κρόνου (την οποία μπορείτε να φανταστείτε σαν μια “φυσαλίδα” μέσα στον ηλιακό άνεμο) δίνεται στην Εικόνα 1.

Μια από τις μεγαλύτερες προκλήσεις που συναντάμε στη μελέτη της δομής της μαγνητόσφαιρας ενός πλανήτη είναι η ανάγκη να προσδιοριστούν οι θέσεις των δύο αυτών συνόρων, δηλαδή του κρουστικού κύματος και της μαγνητόπαυσης. Μέχρι και σχετικά πρόσφατα, τα σύνορα αυτά καθορίζονταν κυρίως “με το μάτι” (μιλώντας μεταφορικά και απλοποιώντας αρκετά την περιγραφή της διαδικασίας). Βασίζονταν δηλαδή στην αναζήτηση χαρακτηριστικών “υπογραφών” στα δεδομένα του Cassini για το μαγνητικό πεδίο και το πλάσμα. Φυσικά η διαδικασία αυτή όχι μόνο είναι χρονοβόρα αλλά και η πιθανότητα λάθους είναι αρκετά σημαντική, ενώ χρειάζεται και αρκετή εξειδίκευση. 

Το πρόβλημα εύρεσης των συνόρων και των χρονικών στιγμών όπου ένα διαστημόπλοιο διέρχεται από αυτά (“crossings”) μπορεί να μετατραπεί σε πρόβλημα μηχανικής μάθησης (machine learning) και συγκεκριμένα ως επιβλεπόμενης μάθησης. Για παράδειγμα, ένα συνελικτικό νευρωνικό δίκτυο (convolutional neural network – CNN/ΣΝΔ) μπορεί να εκπαιδευτεί στο ν’ αναγνωρίζει ενεργειακά φάσματα ηλεκτρονίων και να τους αποδίδει τον ίδιο χαρακτηρισμό με έναν ερευνητή (Εικόνα 2). Μετά από μια σειρά συνελικτικών και μη γραμμικών διεργασιών από το ΣΝΔ, χαρακτηρίζονται τα δεδομένα εισόδου¹. Το διάνυσμα αυτό στη συνέχεια περνάει σε ένα πλήρως συνδεδεμένο νευρωνικό δίκτυο που θα ταξινομεί το σύνορο. Η διαδικασία προσαρμόζεται αυτόματα με κατάλληλα βάρη ώστε να μεγιστοποιείται ο αριθμός των σωστών προβλέψεων. Περαιτέρω βελτίωση μπορεί να γίνει με χρήση επιπλέον ανεξάρτητων δεδομένων, όπως για παράδειγμα χρονοσειρές του μαγνητικού πεδίου.

Η χρήση μηχανικής μάθησης μπορεί να βοηθήσει στην επαλήθευση παλαιότερων καταλόγων τέτοιων διαβάσεων, την προσθήκη νέων που ενδεχομένως λόγω σφαλμάτων να είχαν παραληφθεί και φυσικά τη γρήγορη και πιο αξιόπιστη ανάλυση νέων αντίστοιχων δεδομένων.

¹ Ο χαρακτηρισμός γίνεται μέσω ενός διανύσματος χαρακτηριστικών (feature vector), ενός συνόλου δηλαδή που περιέχει τιμές που περιγράφουν ένα αντικείμενο.