Strojové učenie zlepšuje metódu v predpovedi kozmického žiarenia v blízkosti Zeme

Kozmické žiarenie tvoria vysokoenergetické častice, ktoré neustále bombardujú Zem z vesmíru a sú ovplyvnené magnetickou aktivitou Slnka.

Alpha Magnetic Spectrometer (AMS-02) odfotografovaný počas vesmírnej prechádzky v januári 2017 NASA astronautmi Shane Kimbroughom a Peggy Whitsonovou. Credit: NASA — Alpha Magnetic Spectrometer (AMS-02) odfotografovaný počas vesmírnej prechádzky v januári 2017 NASA astronautmi Shane Kimbroughom a Peggy Whitsonovou.
Zdroj: NASA.

Keď je Slnko aktívne, na Zem dorazí menej týchto častíc, a keď je Slnko pokojné, je ich viac. Pochopenie týchto variácií je nevyhnutné pre výskum vesmírneho počasia, bezpečnosť astronautov, prevádzku satelitov a letectvo.

Vedci už desaťročia často používajú zjednodušený prístup nazývaný aproximácia silového poľa na odhad toho, ako slnečná aktivita ovplyvňuje kozmické žiarenie v blízkosti Zeme. Táto metóda je jednoduchá a ľahko sa používa v mnohých aplikáciách. Nová štúdia publikovaná v časopise Journal of Geophysical Research: Machine Learning and Computation ukazuje, že moderné techniky strojového učenia dokážu dosiahnuť lepšie výsledky.

Výskumníci testovali niekoľko modelov strojového učenia, aby zistili, ako dobre dokážu reprodukovať každodenné zmeny intenzity kozmického žiarenia, pričom použili takmer 3 000 denných meraní z experimentu AMS-02 na palube Medzinárodnej vesmírnej stanice, čo je najpresnejší dlhodobý záznam protónov kozmického žiarenia, aký bol kedy zozbieraný.

„Modely strojového učenia poskytujú presnejšie predpovede ako tradičná metóda silového poľa. Najlepší model, XGBoost, dosiahol vynikajúcu zhodu s údajmi AMS-02 s hodnotami R² nad 0,9 pre nižšie energie,“ približuje výsledky Pavol Bobik z Ústavu experimentálnej fyziky SAV, v. v. i.

Medzi ďalšie testované metódy patrili Random Forest, SGDR, SVM, Transformer a Linear Regression.

Tieto zistenia ukazujú, že strojové učenie dokáže zachytiť charakteristiky správania kozmického žiarenia, čím otvárajú dvere k zlepšeniu predpovedí vesmírneho počasia a lepšiemu modelovaniu radiačného prostredia okolo Zeme.

Obrázok zobrazuje toky protónov kozmického žiarenia pre štyri kanály rigidít experimentu AMS-02, 1. kanál: 1,00 – 1,16 GV, 11. kanál: 3,29 – 3,64 GV, 16. kanál: 5,37 – 5,90 GV, 23. kanál: 10,10 – 11,00 GV. Červené bodky predstavujú dáta AMS-02, modré bodky model XGBoost a čierne bodky aproximáciu silového poľa. Pri vyšších rigiditách sa čierne body silového poľa odchyľujú zreteľnejšie a nachádzajú sa pod takmer prekrývajúcimi sa bodmi AMS-02 (červená) a ML modelu (modrá). Najväčšia zhoda medzi modelom ML a AMS-02 nastáva okolo 5 – 6 GV, kde XGBoost dosahuje R2 ≈ 0,98. Zdroj: Journal of Geophysical Research: MachineLearning and Computation — Obrázok zobrazuje toky protónov kozmického žiarenia pre štyri kanály rigidít experimentu AMS-02, 1. kanál: 1,00 – 1,16 GV, 11. kanál: 3,29 – 3,64 GV, 16. kanál: 5,37 – 5,90 GV, 23. kanál: 10,10 – 11,00 GV. Červené bodky predstavujú dáta AMS-02, modré bodky model XGBoost a čierne bodky aproximáciu silového poľa. Pri vyšších rigiditách sa čierne body silového poľa odchyľujú zreteľnejšie a nachádzajú sa pod takmer prekrývajúcimi sa bodmi AMS-02 (červená) a ML modelu (modrá). Najväčšia zhoda medzi modelom ML a AMS-02 nastáva okolo 5 – 6 GV, kde XGBoost dosahuje R² ≈ 0,98.
Zdroj: Journal of Geophysical Research: MachineLearning and Computation.

Citácia: Reference: Nguyen, M., Bobík, P., & Genči, J. (2025). Approximation of daily AMS‐02 spectra with machine learning methods. Journal of Geophysical Research: Machine Learning and Computation, 2, e2025JH000676.

Spracoval: Pavol Bobik, Ústav experimentálnej fyziky SAV, v. v. i.

Pridaj komentár

Pridaj komentár Zrušiť odpoveď