Искусственный интеллект помогает изучать вспышки на Солнце

Группа исследователей использует методы искусственного интеллекта для калибровки некоторых изображений Солнца НАСА, помогая улучшить данные, которые ученые используют для исследований Солнца. Новый метод был опубликован в журнале Astronomy & Astrophysics 13 апреля 2021 года.

У солнечного телескопа тяжелая работа. Взгляд на Солнце наносит тяжелый урон, с постоянной бомбардировкой нескончаемым потоком солнечных частиц и интенсивным солнечным светом. Со временем чувствительные линзы и сенсоры солнечных телескопов начинают разрушаться. Чтобы гарантировать точность данных, отправляемых такими инструментами, ученые периодически проводят повторную калибровку, чтобы убедиться, что они понимают, как меняется инструмент.

Необходимость калибровки

Открытая в 2010 году обсерватория солнечной динамики НАСА, или SDO, уже более десяти лет предоставляет изображения Солнца в высоком разрешении. Ее изображения дали ученым возможность подробно изучить различные солнечные явления, которые могут вызвать космическую погоду и повлиять на астронавтов и технологии на Земле и в космосе. Сборка атмосферных изображений, или AIA, является одним из двух инструментов визуализации на SDO и постоянно смотрит на Солнце, делая изображения в ультрафиолетовом свете с 10 длинами волн каждые 12 секунд. Это создает огромное количество информации о Солнце, как никто другой, но, как и все приборы для наблюдения за Солнцем, AIA со временем ухудшается, и данные необходимо часто калибровать.

Семь ультрафиолетовых длин волн, наблюдаемых AIA на SDO НАСА. Верхний ряд взят за май 2010 года, а нижний ряд показывает за 2019 год без каких-либо исправлений, показывая, как прибор деградировал с течением времени.
На этом изображении показаны семь длин волн ультрафиолета, наблюдаемые Ассамблеей атмосферных изображений на борту обсерватории солнечной динамики НАСА. В верхнем ряду показаны наблюдения, сделанные в мае 2010 года, а в нижнем ряду показаны наблюдения за 2019 год без каких-либо поправок, показывающие, как прибор деградировал со временем.
Источник: Луис Дос Сантос / НАСА GSFC

Зондирующие ракеты

С момента запуска SDO ученые использовали зондирующие ракеты для калибровки AIA. Звуковые ракеты – это ракеты меньшего размера, которые обычно несут всего несколько инструментов и совершают короткие полеты в космос – обычно всего 15 минут. Что особенно важно, зондирующие ракеты летают над большей частью атмосферы Земли, позволяя приборам на борту видеть ультрафиолетовые длины волн, измеренные AIA. Эти длины волн света поглощаются атмосферой Земли и не могут быть измерены с земли. Чтобы откалибровать AIA, они прикрепили ультрафиолетовый телескоп к зондирующей ракете и сравнили эти данные с измерениями AIA. Затем ученые могут внести коррективы, чтобы учесть любые изменения в данных AIA.

Ползунок показывает Солнце, видимое AIA в свете 304 Angstrom
Ползунок показывает Солнце, видимое AIA в свете 304 Angstrom в 2021 году до коррекции деградации (слева) и с поправками, полученными при калибровке зондирующей ракеты (справа).
Источник: НАСА GSFC

Метод калибровки зондирующей ракеты имеет ряд недостатков. Звуковые ракеты могут запускаться только так часто, но AIA постоянно смотрит на Солнце. Это означает, что есть время простоя, когда калибровка немного отклоняется между каждой калибровкой зондирующей ракеты.

«Это также важно для миссий в дальний космос, в которых не будет возможности измерения калибровки ракет, – отметил доктор Луис Дос Сантос, физик-физик из Центра космических полетов имени Годдарда НАСА в Гринбелте, штат Мэриленд, и ведущий автор статьи. – Мы решаем сразу две проблемы».

Виртуальная калибровка

Помня об этих проблемах, ученые решили рассмотреть другие варианты калибровки прибора с прицелом на постоянную калибровку. Машинное обучение, техника, используемая в искусственном интеллекте, казалось, идеально подходит.

Как следует из названия, машинное обучение требует компьютерной программы или алгоритма, чтобы научиться выполнять свою задачу.

Во-первых, исследователям нужно было обучить алгоритм машинного обучения распознавать солнечные структуры и сравнивать их с помощью данных AIA. Для этого они предоставляют алгоритму изображения от зондирования калибровочных полетов ракеты и сообщают ему правильное количество калибровок, в которых они нуждаются. После достаточного количества этих примеров они предоставляют алгоритму похожие изображения и смотрят, сможет ли он определить необходимую калибровку. Имея достаточно данных, алгоритм учится определять, какой объем калибровки требуется для каждого изображения.

Поскольку AIA смотрит на Солнце в свете с разными длинами волн, исследователи также могут использовать алгоритм для сравнения конкретных структур на разных длинах волн и усилить свои оценки.

Алгоритмы солнечных вспышек

Для начала они научили алгоритм, как выглядит солнечная вспышка, показывая ему солнечные вспышки на всех длинах волн AIA, пока он не распознает солнечные вспышки во всех различных типах света. Как только программа сможет распознать солнечную вспышку без какой-либо деградации, алгоритм сможет определить, насколько деградация влияет на текущие изображения AIA и сколько калибровки требуется для каждого.

«Это было большим событием», – сказал душ Сантуш. «Вместо того, чтобы просто идентифицировать его на одной и той же длине волны, мы идентифицируем структуры на разных длинах волн».

Это означает, что исследователи могут быть более уверены в калибровке, определенной алгоритмом. Действительно, при сравнении их данных виртуальной калибровки с данными калибровки зондирующей ракеты программа машинного обучения оказалась на высоте.

Две строчки изображений Солнца.
Верхний ряд изображений показывает ухудшение канала с длиной волны 304 Ангстрема AIA за годы, прошедшие с момента запуска SDO. Нижний ряд изображений исправлен с учетом этого ухудшения с помощью алгоритма машинного обучения.
Источник: Луис Дос Сантос / НАСА GSFC

С помощью этого нового процесса исследователи готовы постоянно калибровать изображения AIA между полетами калибровочных ракет, повышая точность данных SDO для исследователей.

Машинное обучение за пределами Солнца

Исследователи также использовали машинное обучение, чтобы лучше понять условия, близкие к дому.

Одна группа исследователей во главе с доктором Райаном Мак Гранаганом, ведущим специалистом по обработке данных и аэрокосмическим инженером в ASTRA LLC и NASA Goddard Space Flight Center, использовала машинное обучение, чтобы лучше понять связь между магнитным полем Земли и ионосферой, электрически заряженной частью верхнего слоя атмосферы Земли. Используя методы науки о данных для больших объемов данных, они могли применить методы машинного обучения для разработки новой модели, которая помогла им лучше понять, как заряженные частицы из космоса падают в атмосферу Земли, где они определяют космическую погоду.

По мере развития машинного обучения его научные приложения будут расширяться для все большего числа миссий. В будущем это может означать, что миссии в дальний космос – которые совершаются в места, где полеты калибровочных ракет невозможны – все еще могут быть откалиброваны и продолжать давать точные данные, даже при выходе на все большие и большие расстояния от Земли к любым звездам.

Новый космический прибор зафиксировал извержение на Солнце

Читайте обзоры:

-->