КАК МАШИННОЕ ОБУЧЕНИЕ ПОМОГАЕТ ИЗУЧАТЬ СОЛНЦЕ
- Авторы: Илларионов Е.А1,2, Садыков В.М3
-
Учреждения:
- Московский государственный университет им. М. В. Ломоносова
- Московский центр фундаментальной и прикладной математики
- Университет штата Джорджия
- Выпуск: № 4 (2021)
- Страницы: 35-45
- Раздел: Статьи
- URL: https://journals.eco-vector.com/0044-3948/article/view/630962
- DOI: https://doi.org/10.7868/S0044394821040034
- ID: 630962
Цитировать
Полный текст
![Открытый доступ](https://journals.eco-vector.com/lib/pkp/templates/images/icons/text_open.png)
![Доступ закрыт](https://journals.eco-vector.com/lib/pkp/templates/images/icons/text_unlock.png)
![Доступ закрыт](https://journals.eco-vector.com/lib/pkp/templates/images/icons/text_lock.png)
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.
Об авторах
Е. А Илларионов
Московский государственный университет им. М. В. Ломоносова; Московский центр фундаментальной и прикладной математикиМосква, Россия; Москва, Россия
В. М Садыков
Университет штата ДжорджияАтланта, Джорджия, США
Список литературы
- Silver D. et al. Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm, 2017, arxiv:1712.01815
- Витинский Ю.И. Солнечная активность. 2-е изд. М.: Наука, 1983.
- Camporeale E., Wing S., Johnson J. Machine Learning Techniques for Space Weather, 2018.
- Murphy K. Machine Learning: A Probabilistic Perspective, 2012. MIT Press, ISBN: 9780262018029
- Bishop C. Pattern Recognition and Machine Learning, 2006. Springer-Verlag New York. ISBN978-0-387-31073-2
Дополнительные файлы
![](/img/style/loading.gif)