Kunstig intelligens sætter fokus på solen

Forskere fra University of Graz og Kanzelhöhe Solar Observatory (Østrig) og deres kolleger fra Skolkovo Institute of Science and Technology (Skoltech) udviklede en ny metode baseret på deep learning til stabil klassificering og kvantificering af billedkvalitet i jordbaseret fuld- disk sol billeder. Forskningsresultaterne blev offentliggjort i tidsskriftet Astronomi og astrofysik og er tilgængelige via åben adgang.

Solen er den eneste stjerne, hvor vi kan skelne overfladedetaljer og studere plasma under ekstreme forhold. Solens overflade og atmosfæriske lag er stærkt påvirket af det fremkommende magnetfelt. Funktioner som solpletter, filamenter, koronale sløjfer, og plageområder er en direkte konsekvens af fordelingen af ​​forstærkede magnetfelter på Solen, hvilket udfordrer vores nuværende forståelse af disse fænomener. Soludbrud og koronale masseudslyngninger skyldes en pludselig frigivelse af fri magnetisk energi lagret i de stærke felter, der er forbundet med solpletter. De er de mest energiske begivenheder i vores solsystem og har en direkte indvirkning på Sol-Jord-systemet kaldet 'rumvejr'. Det moderne samfund er stærkt afhængig af rum- og jordbaseret teknologi, som er meget sårbar over for farlige rumvejrhændelser. Kontinuerlig overvågning af Solen er afgørende for bedre at forstå og forudsige solfænomener og samspillet mellem soludbrud og Jordens magnetosfære og atmosfære. I de seneste årtier har solfysik er trådt ind i big datas æra, og de store mængder data, der konstant produceres af jord- og rumbaserede observatorier, kan ikke længere analyseres af menneskelige observatører alene.

Jordbaserede teleskoper er placeret rundt om på kloden for at give kontinuerlig overvågning af Solen uafhængigt af dag-nat tidsplanen og lokale vejrforhold. Jordens atmosfære pålægger de stærkeste begrænsninger for solobservationer, da skyer kan okkultere solskiven, og luftsvingninger kan forårsage sløring af billedet. For at vælge de bedste billeder fra flere samtidige observationer og detektere lokale kvalitetsforringelser, objektiv billedkvalitetsvurdering er påkrævet.

"Som mennesker, vi vurderer kvaliteten af ​​et rigtigt billede ved at sammenligne det med et ideelt referencebillede af Solen. For eksempel, et billede med en sky foran solskiven - en stor afvigelse fra vores imaginære perfekte billede - ville blive mærket som et billede af meget lav kvalitet, mens mindre udsving ikke er så kritiske, når det kommer til kvalitet. Konventionelle kvalitetsmålinger kæmper for at give en kvalitetsscore uafhængig af solenergifunktioner og tager typisk ikke højde for skyer, " siger Tatiana Podladchikova, en adjunkt ved Skoltech Space Center (SSC) og en forskningsmedforfatter.

I deres nylige undersøgelse, forskerne brugte kunstig intelligens (AI) til at opnå kvalitetsvurdering, der ligner menneskelig fortolkning. De brugte et neuralt netværk til at lære karakteristika ved billeder af høj kvalitet og estimere afvigelsen af ​​reelle observationer fra en ideel reference.

Papiret beskriver en tilgang baseret på Generative Adversarial Networks (GAN), der almindeligvis bruges til at opnå syntetiske billeder, for eksempel, at generere realistiske menneskeansigter eller oversætte gadekort til satellitbilleder. Dette opnås ved at tilnærme fordelingen af ​​rigtige billeder og udtage prøver fra det. Indholdet af det genererede billede kan enten være tilfældigt eller defineret af en betinget beskrivelse af billedet. Forskerne brugte GAN til at generere billeder af høj kvalitet fra indholdsbeskrivelsen af ​​det samme billede:netværket udtog først de vigtige egenskaber ved højkvalitetsbilledet, såsom positionen og udseendet af solceller, og genererede derefter det originale billede ud fra denne komprimerede beskrivelse. Når denne procedure anvendes på billeder af lavere kvalitet, netværket omkoder billedindholdet, mens man udelader funktioner af lav kvalitet i det rekonstruerede billede. Dette er en konsekvens af den tilnærmede billedfordeling fra GAN, som kun kan generere billeder af høj kvalitet. Forskellen mellem et billede af lav kvalitet og den forudsete højkvalitetsreference i det neurale netværk danner grundlaget for en billedkvalitetsmetrik og bruges til at identificere placeringen af ​​kvalitetsforringende effekter i billedet.

"I vores undersøgelse, vi anvendte metoden på observationer fra Kanzelhöhe Observatory for Solar and Environmental Research og viste, at den stemmer overens med menneskelige observationer i 98,5 % af tilfældene. Fra ansøgningen til ufiltrerede hele observationsdage, vi fandt ud af, at det neurale netværk korrekt identificerer alle stærke kvalitetsforringelser og giver os mulighed for at vælge de bedste billeder, hvilket resulterer i en mere pålidelig observationsserie. Dette er også vigtigt for fremtidige netværksteleskoper, hvor observationer fra flere steder skal filtreres og kombineres i realtid, " siger Robert Jarolim, en forsker ved universitetet i Graz og den første forfatter til undersøgelsen.

"I det 17. århundrede, Galileo Galilei var den første, der turde se på Solen gennem sit teleskop, mens i det 21. århundrede, snesevis af rum- og jordobservatorier sporer kontinuerligt Solen, giver os et væld af soldata. Med lanceringen af ​​Solar Dynamics Observatory (SDO) for 10 år siden, mængden af ​​soldata og billeder sendt til Jorden steg til 1,5 terabyte om dagen, hvilket svarer til at downloade en halv million sange dagligt. Daniel K. Inouye Solar Telescope, verdens største jordbaserede solteleskop med en 4 meter blændeåbning, tog de første detaljerede billeder af Solen i december 2019 og forventes at give seks petabyte data om året. Levering af soldata er vor tids største projekt med hensyn til samlet produceret information. Med de seneste lanceringer af banebrydende solmissioner, Parker Solar Probe og Solar Orbiter, vi vil få stadigt stigende mængder data, der giver ny værdifuld indsigt. Der er ingen slagne veje i vores forskning. Med så meget ny information, der kommer ind dagligt, vi skal simpelthen opfinde nye effektive AI-støttede databehandlingsmetoder for at håndtere de største udfordringer, som menneskeheden står over for. Og hvilke storme end måtte rase, vi ønsker alle godt vejr i rummet, " siger Podladchikova.

Den nye metode er udviklet med støtte fra Skoltechs højtydende klynge til den forventede Solar Physics Research Integrated Network Group (SPRING), der vil give autonom overvågning af Solen ved hjælp af banebrydende teknologi inden for observationel solfysik. SPRING forfølges inden for SOLARNET-projektet, som er dedikeret til initiativet European Solar Telescope (EST) støttet af EU's forsknings- og innovationsprogram Horizon 2020. Skoltech repræsenterer Rusland i SOLARNET-konsortiet af 35 internationale partnere.

I øjeblikket, forfatterne videreudvikler deres billedbehandlingsmetoder for at give en kontinuerlig datastrøm af højest mulig kvalitet og udvikler automatiseret detektionssoftware til kontinuerlig sporing af solaktivitet.