新开发的神经网络可以准确预测太阳大气层内发生的隐藏湍流运动。
仅输入从太阳光球表面收集的温度和垂直运动数据，人工智能模型就可以正确识别地表以下的湍流水平运动。 这可以帮助我们更好地了解太阳对流以及太阳产生爆炸和喷流的过程。
“我们开发了一种新颖的卷积神经网络，通过使用温度和垂直速度的空间分布来估计水平速度的空间分布，”写了一个团队由日本国立天文台天文学家石川良太郎领导的研究人员团队。
“这导致了对空间分布特征和集中特征的有效检测。[..]与之前的研究报告相比，我们的网络在几乎所有空间尺度上都表现出了更高的性能。”
太阳光球层是太阳大气层的区域，通常称为其表面。 它是太阳大气的最低层，也是太阳黑子、太阳耀斑和日冕物质抛射等太阳活动起源的区域。
如果仔细观察，光球层的表面并不均匀。 它覆盖着拥挤在一起的部分，中间颜色较浅，边缘颜色较深。 这些被称为颗粒，它们是顶部对流太阳等离子体中的细胞。 热等离子体在中间上升，然后随着向外移动并冷却而在边缘周围回落。
当我们观察这些细胞时，我们可以测量它们的温度，以及通过多普勒效应测量它们的运动，但不能直接检测水平运动。 然而，这些细胞中较小规模的流动可以与太阳磁场相互作用，从而引发其他太阳现象。 此外，湍流也被认为在加热日冕方面发挥了作用，因此科学家们热衷于准确了解等离子体在光球层中的行为。
Ishikawa 和团队开发了等离子体湍流的数值模拟，并使用三组不同的模拟数据来训练他们的神经网络。 他们发现，仅基于温度和垂直流数据，人工智能可以准确地描述模拟中的水平流，而这在真实太阳上是无法检测到的。
这意味着我们可以向它提供太阳数据，并期望它返回的结果与我们迷人而令人生畏的恒星上实际发生的情况一致。
然而，神经网络确实需要一些微调。 虽然它能够检测大规模的流量，但人工智能在挑选较小的特征时确实遇到了困难。 研究人员表示，由于小规模湍流的准确性对于某些计算至关重要，因此解决这个问题应该是开发软件的下一步。
“通过比较三个对流模型的结果，我们观察到相干谱的快速下降发生在低于能量注入尺度的尺度上，其特征是垂直速度功率谱的峰值。这意味着该网络没有经过适当的训练来重现由湍流级联产生的小尺度速度场，”他们在论文中写道。
“这些挑战可以在未来的研究中探讨。”
离家更近一点，研究人员正在开发他们的软件，以帮助更好地理解湍流聚变等离子体？ 未来使用的另一个重要应用程序。
该研究发表于天文学与天体物理学。
