新开发的神经网络可以准确预测太阳大气层内部发生的隐藏湍流运动。
仅提供从太阳光球表面收集的温度和垂直运动数据，人工智能模型可以正确识别表面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，以及产生爆炸和从太阳喷发的喷流的过程。
“我们开发了一种新的卷积神经网络，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，”由日本国家天文台的天文学家Ryohtaroh Ishikawa领导的研究小组写道。
“这导致了对空间分布特征和集中特征的有效检测。[..]与之前研究报告的相比，我们的网络在几乎所有空间尺度上都表现出更高的性能。
太阳光球是太阳大气层的区域，通常称为其表面。它是太阳大气层的最低层，也是太阳黑子、太阳耀斑和日冕物质抛射等太阳活动的起源区域。
如果仔细观察，光球的表面并不均匀。它覆盖着挤在一起的部分，中间较浅，边缘较暗。这些被称为颗粒，它们是太阳等离子体中对流单元的顶部。热等离子体在中间上升，然后在向外移动并冷却时在边缘周围落回。
当我们观察这些细胞时，我们可以通过多普勒效应测量它们的温度以及它们的运动，但不能直接检测到水平运动。然而，这些细胞中较小尺度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太阳日冕方面起作用，因此科学家们热衷于确切地了解等离子体在光球中的行为。
Ishikawa及其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动数据，人工智能可以准确地描述模拟中水平流动，而这些水平流动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。虽然它能够检测到大规模的流动，但人工智能确实难以挑选出较小的特征。研究人员说，由于小尺度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。
“通过比较三种对流模型的结果，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，能量注入尺度的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，无法在湍流级联产生的小尺度上重现速度场，“他们在论文中写道。
“这些挑战可以在未来的研究中探索。
在离家更近的地方，研究人员正在开发他们的软件，以帮助更好地了解聚变等离子体中的湍流 - 这是未来使用的另一个重要应用。
