Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

Data-driven Simulations for Understanding Reconnection and GEomagnetism

Opis projektu

Sztuczna inteligencja będzie przewidywać pogodę kosmiczną i chronić satelity

Kosmiczne zjawiska pogodowe stwarzają poważne zagrożenie dla satelitów, statków kosmicznych i nowoczesnej infrastruktury na Ziemi. Elektrony o wysokiej energii w plazmie kosmicznej mogą uszkadzać technologie. Obecne modele nie potrafią jednak uchwycić mikroskopijnej fizyki tych cząstek, co uniemożliwia symulowanie i prognozowanie burz magnetycznych. Z tego względu finansowany przez ERBN projekt D-SURGE opracuje globalny magneto-płynowy model plazmy, który integruje sztuczną inteligencję w celu przedstawienia fizyki w małej skali. Poprzez szkolenie algorytmów uczenia maszynowego na zaawansowanych symulacjach, projekt wypełni lukę między procesami lokalnymi i globalnymi, oferując bezprecedensową dokładność w modelowaniu pogody kosmicznej. Metoda to, zweryfikowana na podstawie danych z misji kosmicznych, pozwoli lepiej zrozumieć, w jaki sposób wiatr słoneczny napędza aktywność magnetosferyczną i jak cząstki przyspieszają podczas burz.

Cel

Understanding and predicting energization of particles in space plasmas, e.g. during sub-storms in magnetosphere, is a profound scientific challenge which is hampered by the complex multi-scale interactions in plasma. At present there is no global model which reliably captures the microscopic effects of energetic electrons which participate in matter and energy transfer in the Earth's space environment. These electrons may precipitate and present hazard for our space born assets such as satellites and space missions. The goal is to build a global physics-based magneto-fluid model of plasma with AI component that represents such microscopic physics via machine learning algorithms trained on particle in cell (PIC) simulations. By introducing physics-informed data-driven models, we aim to bridge the gap between local and global scales, offering unprecedented accuracy in simulating space weather phenomena. Such data-driven models will allow us to better understand and predict the evolution of magnetic storms crucial for safeguarding modern technological infrastructure.
What makes this goal now possible in this interdisciplinary project are the advances in scientific machine learning in meteorology which the PI plans to bringing from environmental data science to plasma physics as well as the PI's current involvement in energy-conserving Particle in Cell simulations and previous experience in kinetic and magneto-fluid modelling. These innovations will lead to physics-informed data driven model that will be validated with space mission observations. If successful, we will have multi-scale multi-fluid models of plasma that will uncover magnetospheric loading by solar wind and the mechanisms behind acceleration of particles during magnetic sub-storms.

Dziedzina nauki (EuroSciVoc)

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

HORIZON-ERC - HORIZON ERC Grants

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) ERC-2025-STG

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Instytucja przyjmująca

UNIVERSITY OF NORTHUMBRIA AT NEWCASTLE
Wkład UE netto
€ 1 500 000,00
Adres
SUTHERLAND BUILDING COLLEGE STREET
NE1 8ST NEWCASTLE UPON TYNE
Zjednoczone Królestwo
Region
North East (England) Northumberland and Tyne and Wear Tyneside
Rodzaj działalności
Higher or Secondary Education Establishments
Linki
Koszt całkowity
€ 1 500 000,00

Beneficjenci (2)