КАК МАШИННОЕ ОБУЧЕНИЕ ПОМОГАЕТ ИЗУЧАТЬ СОЛНЦЕ


Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Ключевые на сегодня открытия в физике Солнца, например, обнаружение 11-летнего закона цикличности, открытие магнитного цикла, первое наблюдение солнечной короны и ее необычных свойств, были сделаны задолго до появления современных компьютеров. Это был результат гениальной изобретательности в конструировании новых наблюдательных приборов и многолетнего упорства в ведении каталогов наблюдений. Современной науке пока с трудом удается выстраивать теории, описывающие наблюдаемую картину, а многие вопросы продолжают оставаться загадками. Едва ли стоит рассчитывать, что компьютеры смогут за нас вывести законы эволюции солнечной активности, но кое в чем они действительно могут помочь. Прежде всего мы рассчитываем на их способность к неустанному перебору бесчисленных вариантов и выявлению сложных взаимосвязей среди разнородных многомерных массивов данных. Разумеется, здесь необходимы специальные алгоритмы. Часть таких алгоритмов, объединенных термином “машинное обучение”, развивается особенно активно и находит все больше применений в современной практике. В нашей статье мы на нескольких примерах покажем, как машинное обучение помогает в решении задач исследования Солнца и в чем особенность этого подхода. Первый пример проиллюстрирует применение сверхточных нейронных сетей, второй покажет, как используется модель кластерного анализа в обработке солнечных данных. Также мы расскажем, как с помощью алгоритма бинарной классификации построить прогноз энергичных событий на Солнце.

Ключевые слова

,

Об авторах

Е. А Илларионов

Московский государственный университет им. М. В. Ломоносова; Московский центр фундаментальной и прикладной математики

Москва, Россия; Москва, Россия

В. М Садыков

Университет штата Джорджия

Атланта, Джорджия, США

Список литературы

  1. Silver D. et al. Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm, 2017, arxiv:1712.01815
  2. Витинский Ю.И. Солнечная активность. 2-е изд. М.: Наука, 1983.
  3. Camporeale E., Wing S., Johnson J. Machine Learning Techniques for Space Weather, 2018.
  4. Murphy K. Machine Learning: A Probabilistic Perspective, 2012. MIT Press, ISBN: 9780262018029
  5. Bishop C. Pattern Recognition and Machine Learning, 2006. Springer-Verlag New York. ISBN978-0-387-31073-2

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Издательство «Наука», 2021

СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ:2119 от 28.06.1991.

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах