Искусственный интеллект помогает НАСА точнее рассматривать Солнце

У солнечного телескопа тяжелая работа. Рассмотрение Солнца наносит тяжелый урон, с постоянной атакой 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 понять, как меняется инструмент.

Открытая в 2010 году Обсерватория солнечной динамики (SDO) НАСА уже более десяти лет предоставляет изображения Солнца в высоком разрешении. Его изображения дали ученым возможность подробно рассмотреть различные солнечные явления, которые могут вызвать космическую погоду и повлиять на астронавтов и технологии на Земле и в космосе. Atmospheric Imaging Assembly (AIA) - один из двух инструментов визуализации на SDO и постоянно смотрит на Солнце, делая изображения в 10 длинах волн ультрафиолетового света каждые 12 секунд. Это создает огромное количество информации о Солнце, но, как и все приборы для наблюдения за Солнцем, AIA со временем ухудшается, и данные необходимо часто калибровать.

С момента запуска SDO ученые использовали зондирующие ракеты для калибровки AIA. Зондирующие ракеты - это ракеты небольшого размера, которые обычно несут всего несколько инструментов и совершают короткие полеты в космос, обычно всего на 15 минут. 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, ученые устанавливают ультрафиолетовый телескоп на зондирующей ракете и сравнивают эти данные с измерениями AIA. Затем ученые могут внести коррективы, чтобы учесть любые изменения в данных AIA.

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

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

Машинное обучение требует компьютерной программы или алгоритма, чтобы научиться выполнять свою задачу.

Во-первых, исследователям нужно обучить алгоритм машинного обучения распознавать солнечные структуры и сравнивать их с использованием 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 на разных длинах волн, исследователи также могут использовать алгоритм для сравнения конкретных структур на разных длинах волн и более точных оценок.

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

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

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

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

По мере развития машинного обучения его научные приложения будут расширяться для все большего числа миссий. В будущем миссии в дальний космос, которые совершаются туда, где полеты калибровочных ракет невозможны, все еще могут быть откалиброваны и продолжать давать точные данные, даже при отходе на все большие и большие расстояния от Земли или любых звезд.