Kunstig intelligens opdager koronale huller for at automatisere vejrudsigelse i rummet

Forskere fra University of Graz (Østrig), Skoltech og deres kolleger fra USA og Tyskland har udviklet et nyt neuralt netværk, der pålideligt kan detektere koronale huller fra rumbaserede observationer. Denne applikation baner vejen for mere pålidelige rumvejrsforudsigelser og giver værdifuld information til studiet af solaktivitetscyklussen. Artiklen blev offentliggjort i tidsskriftet Astronomi og astrofysik .

Ligesom vores liv på Jorden afhænger af solens lys, vores elektroniske "liv" afhænger af aktiviteten af ​​vores nærmeste stjerne og dens interaktioner med Jordens magnetfelt. For det menneskelige øje, solen ser næsten konstant ud, men solen er meget aktiv, ofte viser udbrud og forårsager geomagnetiske storme på Jorden. Af denne grund, den ydre solatmosfære, solkoronaen, bliver konstant overvåget af satellitbaserede teleskoper.

I disse observationer, et af de fremtrædende træk er udvidede mørke områder kaldet koronale huller. De ser mørke ud, fordi plasmapartikler kan undslippe langs magnetfeltet fra soloverfladen ind i det interplanetariske rum, efterlader et 'hul' i coronaen. De undslippende partikler danner højhastighedssolvindstrømme, der til sidst kan ramme Jorden, forårsager geomagnetiske storme. Udseendet og placeringen af ​​disse huller på solen varierer afhængigt af solaktiviteten, giver os også vigtige oplysninger om solens langsigtede udvikling.

"Detektionen af ​​koronale huller er en vanskelig opgave for konventionelle algoritmer og er også udfordrende for menneskelige observatører, fordi der også er andre mørke områder i solatmosfæren, som filamenter, der let kan forveksles med et koronalt hul, " siger Robert Jarolim, en forsker ved universitetet i Graz og hovedforfatteren af ​​undersøgelsen.

I deres papir, forfatterne beskriver et konvolutionelt neuralt netværk kaldet CHRONNOS (Coronal Hole RecOgnition Neural Network Over multi-Spectral-data), som de udviklede til at detektere koronale huller. "Kunstig intelligens giver os mulighed for at identificere koronale huller baseret på deres intensitet, form, og magnetiske feltegenskaber, som er de samme kriterier som en menneskelig observatør tager højde for, " siger Jarolim.

"Solens atmosfære ser meget anderledes ud, når den observeres ved forskellige bølgelængder. Vi brugte billeder optaget ved forskellige ekstreme ultraviolette (EUV) bølgelængder sammen med magnetfeltkort som input til vores neurale netværk, som gør det muligt for netværket at finde relationer i multi-kanal repræsentationen, "Astrid Veronig, professor ved universitetet i Graz og medforfatter til publikationen, tilføjer.

Forfatterne trænede deres model med omkring 1700 billeder i tidsrummet 2010-2017 og viste, at metoden er konsistent for alle solaktivitetsniveauer. Det neurale netværk blev evalueret ved at sammenligne resultaterne med 261 manuelt identificerede koronale huller, matchende menneskelige mærker i 98 % af tilfældene. Ud over, forfatterne undersøgte påvisningen af ​​koronale huller baseret på magnetfeltkort, der ser meget anderledes ud end EUV-observationer. For et menneske, de koronale huller kan ikke identificeres ud fra disse billeder alene, men AI lærte at opfatte billederne anderledes og var i stand til at identificere koronale huller.

"Dette er et lovende resultat for fremtidig jordbaseret detektering af koronale huler, hvor vi ikke direkte kan observere koronale huller som mørke områder som i rumbaserede ekstreme ultraviolette og bløde røntgenobservationer, men hvor solens magnetfelt måles på regelmæssig basis, " siger Tatiana Podladchikova, adjunkt ved Skoltech Space Center og medforfatter til papiret.

"Og uanset hvilke storme der kan rase, vi ønsker alle et godt vejr i rummet, " konkluderede Podladchikova.