2022-02-25 国立天文台
深層学習技術を用いた本研究の概念図。太陽表面で観測が可能な鉛直方向の運動と表面温度から、観測が難しい水平方向の運動を、深層学習の手法の一つである「ニューラルネットワーク」を利用して高速に推定する。（クレジット：国立天文台） オリジナルサイズ（1.3MB）
太陽表面の観測データから観測困難な乱流構造を調べるための、新たな手法の開発に成功しました。深層学習（ディープラーニング）技術を利用し、数値シミュレーションで得られたデータと観測可能な情報をもとにして、観測が難しい情報を推定できるようになったのです。この手法は、複雑な流れを対象とする他のさまざまな乱流の研究にも応用できると期待されます。
太陽の表面では、熱が対流によって運ばれています。そのため、激しく乱れた流れである「乱流」が発達し、場所ごとに異なる速度で3次元的に運動しています。鉛直方向の運動はドップラー効果の観測から測定できますが、水平方向の運動は直接測定できません。水平方向の運動を推定するためのさまざまな方法が試みられてきましたが、推定される運動の精度には限界があり、またその限界がどのように決まるのかもよく理解されていませんでした。
この乱流運動を推定する新たな手法を、国立天文台で研究する総合研究大学院大学の大学院生、石川遼太郎（いしかわ りょうたろう）さんと、核融合科学研究所の仲田資季（なかた もとき）准教授を中心とした国際研究チームが、深層学習（ディープラーニング）技術を利用して開発しました。太陽の熱対流を模擬する数値シミュレーションから多様な乱流データを生成し、このデータを使って、鉛直方向の運動および表面温度の分布と、水平方向の運動との相関関係の深層学習をしました。その結果、観測可能な情報から、観測が困難な水平方向の運動を高速で推定する新たな手法を実現したのです。さらに、空間スケールごとに推定精度を分析する手法も開発し、対流の典型的な大きさの構造よりも小さな乱流の構造が、水平方向の運動の推定精度を制限していることを突き止めました。このことから、今後この手法をさらに改良する手掛かりを得ることもできました。
乱流の構造の推定は、太陽表面の研究だけではなく、プラズマ物理学や核融合科学、流体理工学といった複雑な流れを対象とする研究分野で共通する課題です。今回開発した深層学習モデルを、核融合プラズマの中で起こる乱流を推定する研究に応用する新たな展開も進んでいます。
この研究成果は、Ryohtaroh T. Ishikawa et al. “Multi-scale deep learning for estimating horizontal velocity fields on the solar surface”として、欧州の天文学専門誌『アストロノミー・アンド・アストロフィジクス』オンライン版に2022年2月16日付で掲載されました。
