Kunstig intelligens hjælper med at forbedre NASAs øjne på Solen

En gruppe forskere bruger kunstig intelligens til at kalibrere nogle af NASAs billeder af Solen, hjælper med at forbedre de data, som forskere bruger til solforskning. Den nye teknik blev offentliggjort i tidsskriftet Astronomi og astrofysik den 13. april, 2021.

Et solteleskop har et hårdt arbejde. At stirre på solen tager en hård vejafgift, med et konstant bombardement af en uendelig strøm af solpartikler og intenst sollys. Over tid, solteleskopernes følsomme linser og sensorer begynder at blive nedbrudt. For at sikre, at de data, som sådanne instrumenter sender tilbage, stadig er nøjagtige, videnskabsmænd omkalibrerer med jævne mellemrum for at sikre, at de forstår, hvordan instrumentet ændrer sig.

Lanceret i 2010, NASA's Solar Dynamics Observatory, eller SDO, har leveret højopløselige billeder af Solen i over et årti. Dens billeder har givet videnskabsmænd et detaljeret kig på forskellige solfænomener, der kan udløse rumvejr og påvirke vores astronauter og teknologi på Jorden og i rummet. The Atmospheric Imagery Assembly, eller AIA, er et af to billeddannende instrumenter på SDO og ser konstant på Solen, at tage billeder på tværs af 10 bølgelængder af ultraviolet lys hvert 12. sekund. Dette skaber et væld af information om Solen som ingen anden, men – som alle sol-stirrende instrumenter – forringes AIA over tid, og dataene skal kalibreres ofte.

Siden SDO's lancering, videnskabsmænd har brugt raketter til at kalibrere AIA. Sondraketter er mindre raketter, der typisk kun bærer nogle få instrumenter og tager korte flyvninger ud i rummet - normalt kun 15 minutter. Afgørende, klingende raketter flyver over det meste af jordens atmosfære, giver instrumenter om bord mulighed for at se de ultraviolette bølgelængder målt ved AIA. Disse lysbølgelængder absorberes af Jordens atmosfære og kan ikke måles fra jorden. For at kalibrere AIA, de ville vedhæfte et ultraviolet teleskop til en sonderende raket og sammenligne disse data med målingerne fra AIA. Forskere kan derefter foretage justeringer for at tage højde for eventuelle ændringer i AIA's data.

Der er nogle ulemper ved den klingende raketmetode til kalibrering. Raketter kan kun affyres så ofte, men AIA kigger konstant på Solen. Det betyder, at der er nedetid, hvor kalibreringen er lidt ude mellem hver klingende raketkalibrering.

"Det er også vigtigt for dybe rummissioner, som ikke vil have mulighed for at lyde raketkalibrering, " sagde Dr. Luiz Dos Santos, en solfysiker ved NASAs Goddard Space Flight Center i Greenbelt, Maryland, og hovedforfatter på papiret. "Vi tackler to problemer på én gang."

Virtuel kalibrering

Med disse udfordringer i tankerne, videnskabsmænd besluttede at se på andre muligheder for at kalibrere instrumentet, med øje for konstant kalibrering. Maskinelæring, en teknik brugt i kunstig intelligens, virkede som en perfekt pasform.

Som navnet antyder, maskinlæring kræver et computerprogram, eller algoritme, at lære at udføre sin opgave.

Først, forskere havde brug for at træne en maskinlæringsalgoritme til at genkende solstrukturer og hvordan man sammenligner dem ved hjælp af AIA-data. At gøre dette, de giver algoritmen billeder fra klingende raketkalibreringsflyvninger og fortæller den den korrekte mængde kalibrering, de har brug for. Efter nok af disse eksempler, de giver algoritmen lignende billeder og ser, om den vil identificere den korrekte nødvendige kalibrering. Med nok data, Algoritmen lærer at identificere, hvor meget kalibrering der er nødvendig for hvert billede.

Fordi AIA ser på Solen i flere bølgelængder af lys, forskere kan også bruge algoritmen til at sammenligne specifikke strukturer på tværs af bølgelængderne og styrke dens vurderinger.

At begynde, de ville lære algoritmen, hvordan et soludbrud så ud ved at vise det soludbrud på tværs af alle AIA's bølgelængder, indtil det genkendte soludbrud i alle forskellige typer lys. Når først programmet kan genkende et soludbrud uden nogen forringelse, Algoritmen kan derefter bestemme, hvor meget forringelse der påvirker AIA's nuværende billeder, og hvor meget kalibrering der er nødvendig for hver.

"Dette var det store, " sagde Dos Santos. "I stedet for bare at identificere det på samme bølgelængde, vi identificerer strukturer på tværs af bølgelængderne."

Det betyder, at forskere kan være mere sikre på den kalibrering, som algoritmen identificerede. Ja, når de sammenligner deres virtuelle kalibreringsdata med de sonderende raketkalibreringsdata, maskinlæringsprogrammet var spot on.

Med denne nye proces, forskere er klar til konstant at kalibrere AIA's billeder mellem kalibreringsraketflyvninger, forbedring af nøjagtigheden af ​​SDO's data for forskere.

Maskinlæring hinsides Solen

Forskere har også brugt maskinlæring til bedre at forstå forhold tættere på hjemmet.

En gruppe forskere ledet af Dr. Ryan McGranaghan—Principal Data Scientist og Aerospace Engineer ved ASTRA LLC og NASA Goddard Space Flight Center—brugte maskinlæring til bedre at forstå sammenhængen mellem Jordens magnetfelt og ionosfæren, den elektrisk ladede del af Jordens øvre atmosfære. Ved at bruge datavidenskabelige teknikker til store mængder data, de kunne anvende maskinlæringsteknikker til at udvikle en nyere model, der hjalp dem med bedre at forstå, hvordan energifyldte partikler fra rummet regner ned i Jordens atmosfære, hvor de kører rumvejr.

Efterhånden som maskinlæring skrider frem, dets videnskabelige anvendelser vil udvide til flere og flere missioner. For fremtiden, dette kan betyde, at dybe rummissioner - som rejser til steder, hvor kalibreringsraketflyvninger ikke er mulige - stadig kan kalibreres og fortsætte med at give nøjagtige data, selv når man kommer ud til større og større afstande fra Jorden eller andre stjerner.