Videnskab
 science >> Videnskab >  >> Astronomi

Team bruger dyb læring til at overvåge solens ultraviolette emission

Kredit:EVE MEGS-A Spectrum

Et team fra NASA Frontier Development Lab (FDL) har vist, at ved at bruge dyb læring, det er muligt virtuelt at overvåge Solens ekstreme ultraviolette (EUV) stråling, som er en central drivkraft for rumvejr. Solen er afgørende for overlevelse, men soludbrud, som typisk forekommer et par gange om året, har potentiale til at forårsage alvorlige forstyrrelser i rummet og på Jorden. Disse forstyrrelser kan påvirke rumfartøjer, satellitter og endda systemer her på jorden, inklusive GPS-navigation, radiokommunikation og elnettet. Dyb læring kan hjælpe med at få mere værdi ud af vores nuværende evne til at overvåge Solen ved at levere virtuelle instrumenter som supplement til fysiske enheder. Denne forskning vil blive publiceret i Videnskabens fremskridt den 2. oktober, 2019 ("Et dybt lærende virtuelt instrument til overvågning af solens ekstreme ultraviolette spektralbestråling").

"Vores forskning viser, hvordan et dybt neuralt netværk kan trænes til at efterligne et instrument på Solar Dynamics Observatory (SDO), " sagde FDL-teammedlem og medforfatter Alexander Szenicer (Oxford University). "Ved at udlede, hvilke ultraviolette strålingsniveauer den sensor ville have detekteret baseret på, hvad de andre instrumenter på SDO observerer på et givet tidspunkt, vi demonstrerer, at det er muligt at øge den videnskabelige produktivitet af NASA-missioner og at øge vores evne til at overvåge solkilder til rumvejr."

FDL er et partnerskab mellem NASA Ames Research Center, SETI Institute og partnere fra den private sektor og rumfartsorganisationer, herunder Google Cloud, Intel AI, IBM, Kx Lockheed Martin, Luxembourg Space Agency, NVIDIA, Canadian Space Agency, HPE og Element AI. Under en 8-ugers sommerforskningsaccelerator, tværfaglige teams bestående af tidlige karriereforskere inden for AI og naturvidenskabelige domæner arbejder sammen om at anvende AI og maskinlæring til at løse vigtige udfordringsspørgsmål. Udfordringsspørgsmålet bag denne forskning var at udvikle en AI-model ved hjælp af SDO-billeder til at forudsige solspektral irradians.

Denne video skitserer projektet og dets motivationer. Kredit:NASA SDO

Traditionelt, metoder til overvågning af sol EUV spektral irradians omfatter fysik-inspirerede modeller, der forsøger at forudsige EUV emission. Sådanne metoder bruger enten magnetiske feltfordelinger på Solens overflade eller fysikbaserede inversioner af plasmafordelingen i Solens korona.

(Top) Input AIA-billeder (nederste to rækker) Vores netværk kan tolkes som at producere et sæt billeder, der måler ved hver pixel, irradiansen ved en bestemt bølgelængde. Vores model ser ofte på fornuftige steder for at træffe sine beslutninger, for eksempel under udbrud. Kredit:NASA SDO/AIA

Disse nye resultater viser, at det er muligt at bruge billedobservationer af Solen til at skabe en proxy-måling af EUV-spektral bestråling. At fodre koronale billeder fra NASA's SDO til et dybt neuralt netværk giver os mulighed for at generere proxy EUV-målinger med en nøjagtighed, der overgår fysikbaserede modeller.

Efter at være blevet trænet i fire års data, vores netværk (i midten) kan indtage AiA-billeder (venstre) og udsende forudsigelser for EVE MEGS-A-spektrum (højre), i denne video for året 2015. Kredit:Alexandre Szenicer

Derudover holdet udviklede benchmarks og protokoller til at sammenligne forudsigelser mellem EUV-modeller. Disse vil være nyttige til fremtidige undersøgelser. Så langt, forskning har knap nok ridset overfladen på, hvad der er muligt ved at kombinere dyb læring med storskala videnskabelig rumdata. Datavidenskab og maskinlæring vil spille stadig vigtigere roller i vores bestræbelser på at forstå oprindelsen af ​​rumvejr og hvordan man kan leve med Solen.


Varme artikler