Quando estão estudando como as tempestades e os furacões se formam, os meteorologistas analisam o fluxo dos ventos na atmosfera da Terra. Por essa mesma razão, é importante medir o fluxo do plasma na atmosfera do Sol para poder aprender sobre a evolução desse fluxo de curto e longo prazo.
Isso ajuda a NASA a entender e antecipar eventos como as solar flares, que podem afetar as malhas de energia na Terra, os sistemas de comunicação como o GPS, ou rádio, e até mesmo colocar em risco viagens espaciais, tudo isso devido à intensa radiação que viaja junto com as partículas carregadas formando o que conhecemos como clima espacial.
O trabalho na verdade, se parece com a previsão de um terremoto. Como não é possível ver o que acontece abaixo da superfície do Sol, é preciso fazer medidas dos fluxo no exterior para então se ter uma ideia do que está acontecendo na subsuperfície.
Os grânulos são transportados pelos movimentos do plasma, o gás ionizado abaixo da superfície. Para capturar esses movimentos, a NASA desenvolveu algoritmos de redes neurais que observam os grânulos nas imagens feitas pela sonda SDO, a Solar Dynamics Observatory, e então aprende como os grânulos se movimentam e quais deles causam as flares solares, assim é possível reconstruir esses movimentos e prever o que vai acontecer.
As redes neurais podem gerar estimativas do movimento do plasma em resoluções além daquelas tradicionais. A estimativa do fluxo não está limitada somente à superfície, as técnicas de deep learning podem olhar por relações entre o que está na superfície e a movimentação do plasma em diferentes altitudes na atmosfera solar.
As redes neurais são treinadas usando imagens sintéticas desses grânulos para aprender sobre o campo de fluxo, então isso ajuda a entender os ambientes precursores que ficam ao redor de regiões magneticamente ativas que podem se tornar fontes das flares solares.
As GPUs da NVIDIA foram essenciais para treinar a rede neural, pois a NASA precisava completar algumas seções de treinamento com dados reprocessados de maneiras diferentes para desenvolver modelos de deep learning robustos, e o poder só das CPUs não é o suficiente para rodar esses cálculos.
Quando se usa o TensorFlow num computador com uma CPU com 72 núcleos, leva-se uma hora para se fazer somente uma passagem com o dado de treinamento. Mesmo numa CPU baseada em nuvem, isso leva semanas para acontecer, para poder treinar todos os modelos que os cientistas precisam para um único projeto.
Com uma GPU NVIDIA Qaudro RTX 8000, os pesquisadores podem completar um treinamento em cerca de 3 minutos. Isso permite que eles possam começar a testar e treinar modelos depois de um dia de trabalho ao invés de esperar semanas.
Essa incrível velocidade permite que os cientistas tentem diferentes maneiras de treinar os modelos e fazer os chamados stress tests, como reprocessar imagens em diferentes resoluções ou introduzir erros sintéticos para melhor emular as imperfeições nos telescópios. Esse tipo de workflow acelerado muda completamente o escopo do que os cientistas podem fazer, e permite que eles possam ser muito mais criativos.
Com as GPUs NVIDIA Quadro RTX, os pesquisadores da NASA podem acelerar o seu workflow de projetos de pesquisa solar, e eles mais tempo então de conduzir pesquisas com simulações para ganhar um entendimento mais profundo sobre a dinâmica do Sol.
Fonte:
