Identification by machine learning and analysis of electron diffusion regions at the Earth's magnetopause observed by MMS
Identification par apprentissage machine et analyse de régions de diffusion électronique à la magnétopause terrestre observées par la mission MMS
Résumé
Magnetic reconnection is a physical process that can occur when oppositely directed magnetic field lines interact with each other and change of the magnetic field topology, transferring the magnetic energy to the energy of the surrounding particles. This phenomenon can be found in numerous astrophysical contexts, one of which is at the magnetopause of the planets where the solar wind and the magnetosphere interact with each other. Many studies have been made on this matter since the 1980's using simulations and observations from missions like THEMIS or CLUSTER. However, the heart of the reconnection process, the electron diffusion region (or EDR), remained largely unstudied due to the difficulty to observe it until the launch of the Magnetospheric Multiscale (MMS) mission in 2015. Since then, more and more studies on the EDR emerge thanks to the unprecedented resolution of the data provided by MMS but still lack significant numbers of EDR cases to generalize the results, the number of identified EDRs was only of about 32 in 2018 and had not changed much in the next years. In this thesis, I detail the work I have done to identify new EDR events in the data of the MMS mission using deep learning techniques and to study some of the physical aspects of the EDR that are not yet fully understood by the scientific community such as the structure of the EDR or the energy conversion process at the heart of this region. I first developed a Multilayer Perceptron to automatically identify new EDR events using 32 cases previously reported in the literature as a training database. This model uses several classical physical parameters such as the magnetic field, the electric field or the magnetic current as well as one derived scalar that I created called the "MeanRL". This parameter was designed to characterize one of the key signatures of EDRs which is the presence of a crescent shape in the electron velocity distribution functions taken in this region. The trained algorithm was applied to the data of phase 1a of MMS and allowed us to identify 18 new EDR candidates. Four times as many EDRs with positive energy conversion (inner EDRs) as EDRs with negative energy conversion (outer EDR) were found in phase 1a, and the inertial term of the generalized Ohm's law was found responsible to the deceleration of the electrons in the outer EDR, leading to the negative energy conversion observed there. Then, I used the previously and newly reported EDRs to perform several studies about : the link between the solar wind parameters and the energy conversion at the EDR, potential new small scale parameters to identify EDRs, the position of several points of interest within the EDR as well as the intensity and the parallel/perpendicular components of the energy conversion at the EDR. Finally, I designed a Convolutional Neural Network (CNN) as an alternative way to look for EDRs. This model analyzes the electron velocity distribution functions to directly search for electron crescents and tries to be an improvement of the "MeanRL" parameter. Events showing such crescents are then "manually" investigated to confirm or not the EDR detection. This CNN was applied on the data of phase 1b of MMS that had not been treated by the first algorithm and allowed for the detection of 17 additional EDR candidates, bringing the total number of identified EDRs to about 70 as of the writing of this thesis.
La reconnexion magnétique est un processus physique qui intervient quand des lignes de champ magnétique opposées interagissent ensemble, résultant en un changement de la topologie magnétique et un transfert de l'énergie magnétique vers l'énergie des particules environnantes. Ce phénomène peut être retrouvé dans de nombreux contextes astrophysiques dont l'un est à la magnétopause des planètes où le vent solaire et la magnétosphère interagissent ensemble. De nombreuses études ont été réalisées à ce sujet depuis les années 80 en utilisant des simulations et des données d'observations de missions comme THEMIS ou CLUSTER. Cependant, le cœur du processus de reconnexion, la région de diffusion électronique (ou Electron Diffusion Region), restait largement non étudié à cause de de la difficulté de son observation jusqu'au lancement de la mission Magnetospheric Multiscale (MMS) en 2015. Depuis lors, de plus en plus d'études sur l'EDR ont vu le jour grâce à la résolution sans précédent des données produites par MMS mais manquent toujours d'un nombre significatif de cas afin de généraliser les résultats obtenus, le nombre d'EDR identifiées n'était en effet que d'environ 32 en 2018 et n'a pas beaucoup changé dans les années suivantes. Dans cette thèse, je détaille le travail que j'ai mené dans le but d'identifier de nouvelles EDRs dans les données de la mission MMS en utilisant des techniques d'apprentissage profond et pour étudier certains des aspects de l'EDR qui ne sont pas encore complètement compris par la communauté scientifique comme la structure de l'EDR ou encore la conversion d'énergie au sein de cette région. J'ai tout d'abord développé un Perceptron Multicouche pour identifier automatiquement de nouveaux cas d'EDR en utilisant 32 cas précédemment rapportés dans la littérature comme base de données d'entraînement. Ce modèle utilise plusieurs paramètres physiques classiques comme le champ magnétique, le champ électrique ainsi qu'un scalaire dérivé que j'ai créé appelé le "MeanRL". Ce paramètre a été conçu pour caractériser l'une des signatures clés de l'EDR à savoir la présence de formes de croissants dans les fonctions de distribution des vitesses des électrons prises dans cette région. L'algorithme entraîné a été appliqué aux données de la phase 1a de MMS et a permis l'identification de 18 nouveaux candidats d'EDR. Quatre fois plus d'EDR présentant de la conversion d'énergie positive (inner EDR) que d'EDR présentant de la conversion d'énergie négative (outer EDR) ont été trouvés durant la phase 1a, et il a été trouvé que le terme inertiel de la loi d'Ohm généralisée est responsable de la décélération des électrons dans l'outer EDR, causant la conversion d'énergie négative observée dans cette région. J'ai ensuite utilisé les anciens et nouveaux cas d'EDR rapportés afin d'effectuer plusieurs études portant sur : le lien entre les paramètres du vent solaire et la conversion d'énergie à l'EDR, de potentiels nouveaux paramètres de petite échelle pour identifier des EDR, la position de plusieurs points d'intérêts au sein de l'EDR ainsi que sur l'intensité et les composantes parallèles/perpendiculaires de la conversion d'énergie à l'EDR. Pour finir, j'ai conçu un réseau de neurones convolutionel (CNN) comme moyen alternatif pour rechercher des EDRs. Ce modèle analyse les fonctions de distribution des vitesses des électrons pour directement chercher des croissants électroniques et essaie d'être une amélioration du paramètre "MeanRL". Les cas montrant de tels croissants sont alors analysés "à la main" pour confirmer ou non l'identification d'une EDR. Ce CNN a été appliqué sur les données de la phase 1b de MMS qui n'avait pas été traitée par le premier algorithme et a permis la détection de 17 cas additionnels d'EDR, amenant le nombre total d'EDR identifiés à environ 70 lors de l'écriture de cette thèse.
| Origine | Version validée par le jury (STAR) |
|---|