Programa inovador, treinado com dados simulados, visa identificar bolhas de plasma no espaço, conhecidas como plasmoides. No contínuo desafio de decifrar os mistérios cósmicos, cientistas ganharam uma nova ferramenta potente: um programa de computador baseado em aprendizado de máquina, desenvolvido por físicos do Laboratório de Física de Plasma de Princeton (PPPL) do Departamento de Energia dos EUA (DOE). O software irá analisar grandes volumes de dados coletados por espaçonaves na magnetosfera, a região espacial dominada pelo campo magnético terrestre. A detecção precisa dessas bolhas evasivas promete avançar a compreensão dos processos que governam a reconexão magnética.
Este fenômeno, presente tanto na magnetosfera quanto em todo o universo, pode causar danos significativos a satélites de comunicação e redes elétricas. “Até onde sabemos, esta é a primeira vez que se utiliza inteligência artificial treinada com dados simulados para buscar plasmoides,” afirma Kendra Bergstedt, estudante de pós-graduação do Programa de Física de Plasmas de Princeton e primeira autora do artigo publicado na revista *Science of Earth and Space*. A pesquisa combina a expertise crescente do laboratório em ciências computacionais com sua longa tradição de investigação da reconexão magnética.
**Avanços na Detecção de Plasmoides**
Os cientistas buscam métodos confiáveis e precisos para detectar plasmoides e entender seu impacto na reconexão magnética. Este processo envolve a separação e reconexão violenta de linhas de campo magnético, liberando enormes quantidades de energia. Perto da Terra, isso pode desencadear uma cascata de partículas carregadas que afetam satélites, celulares e a rede elétrica. “Alguns pesquisadores acreditam que os plasmoides facilitam a reconexão rápida em grandes plasmas,” explica Hantao Ji, professor de ciências astrofísicas de Princeton e pesquisador do PPPL. “Mas estas hipóteses ainda precisam ser comprovadas.”
Para explorar essa relação, é essencial identificar os plasmoides. “O aprendizado de máquina pode nos ajudar a localizar essas estruturas,” diz Bergstedt. Utilizando dados de treinamento gerados por computador, o programa aprende a reconhecer diversas assinaturas de plasma, mesmo aquelas com formas irregulares que ocorrem na natureza. Ao invés de confiar apenas em modelos matemáticos ideais, os pesquisadores usaram dados artificiais deliberadamente imperfeitos para garantir uma linha de base mais realista. “O mundo real é confuso”. “Deixamos nosso programa aprender com dados que imitam as flutuações naturais observadas.”
**Futuro da Pesquisa Astrofísica**
Com a crescente utilização de aprendizado de máquina na astrofísica, Bergstedt e Ji planejam aplicar seu programa aos dados da missão Magnetospheric Multiscale (MMS) da NASA. Lançada em 2015, a MMS consiste em quatro espaçonaves que estudam a reconexão na cauda magnética da Terra. Este local oferece um plasma grande e natural, acessível para medições diretas por espaçonaves. Os próximos passos incluem a adaptação do programa para analisar novos conjuntos de dados e a aplicação aos dados reais da MMS. “Nossa metodologia é uma prova de conceito”. “Queremos otimizar o modelo, aplicá-lo a dados reais e avançar a partir daí.”
