Een NASA Frontier Development Lab (FDL)-team heeft aangetoond dat door gebruik te maken van deep learning, het is mogelijk om de extreem ultraviolette (EUV) straling van de zon virtueel te volgen, wat een belangrijke aanjager is van ruimteweer. De zon is van vitaal belang om te overleven, maar zonnevlammen, die meestal een paar keer per jaar voorkomen, hebben het potentieel om ernstige verstoringen in de ruimte en op aarde te veroorzaken. Deze verstoringen kunnen gevolgen hebben voor ruimtevaartuigen, satellieten en zelfs systemen hier op aarde, inclusief GPS-navigatie, radiocommunicatie en het elektriciteitsnet. Deep learning kan helpen om meer waarde te halen uit ons huidige vermogen om de zon te bewaken door virtuele instrumenten te leveren als aanvulling op fysieke apparaten. Dit onderzoek wordt gepubliceerd in wetenschappelijke vooruitgang op 2 oktober, 2019 ("Een diep lerend virtueel instrument voor het monitoren van extreme ultraviolette spectrale bestraling van de zon").

"Ons onderzoek laat zien hoe een diep neuraal netwerk kan worden getraind om een ​​instrument na te bootsen op het Solar Dynamics Observatory (SDO), "Zei FDL-teamlid en co-auteur Alexander Szenicer (Oxford University). "Door af te leiden welke ultraviolette stralingsniveaus die sensor zou hebben gedetecteerd op basis van wat de andere instrumenten op SDO op een bepaald moment waarnemen, we demonstreren dat het mogelijk is om de wetenschappelijke productiviteit van NASA-missies te verhogen en om ons vermogen om zonnebronnen van ruimteweer te monitoren te vergroten."

FDL is een samenwerking tussen NASA Ames Research Center, het SETI Institute en partners uit de particuliere sector en ruimtevaartorganisaties, waaronder Google Cloud, Intel-AI, IBM, Kx Lockheed Martin, Luxemburgs Ruimteagentschap, NVIDIA, Canadese ruimtevaartorganisatie, HPE en Element-AI. Tijdens een 8 weken durende onderzoeksversneller in de zomer, interdisciplinaire teams bestaande uit beginnende onderzoekers in AI- en natuurwetenschappelijke domeinen werken samen om AI en machine learning toe te passen om belangrijke uitdagingsvragen aan te pakken. De uitdaging achter dit onderzoek was om een ​​AI-model te ontwikkelen met SDO-beelden om spectrale zonnestraling te voorspellen.

traditioneel, methoden voor het monitoren van de spectrale bestraling van zonne-EUV omvatten op fysica geïnspireerde modellen die proberen de EUV-emissie te voorspellen. Dergelijke methoden maken gebruik van magnetische veldverdelingen op het oppervlak van de zon of op fysica gebaseerde inversies van de plasmaverdeling in de corona van de zon.

Deze nieuwe resultaten laten zien dat het mogelijk is om beeldvormende waarnemingen van de zon te gebruiken om een ​​proxy-meting van de EUV-spectrale bestraling te creëren. Door coronale beelden van NASA's SDO naar een diep neuraal netwerk te voeren, kunnen we proxy-EUV-metingen genereren met een nauwkeurigheid die op fysica gebaseerde modellen overtreft.

Aanvullend, het team ontwikkelde benchmarks en protocollen voor het vergelijken van voorspellingen tussen EUV-modellen. Deze zullen nuttig zijn voor toekomstige studies. Zo ver, onderzoek heeft nauwelijks het oppervlak bekrast over wat haalbaar is door diep leren te combineren met grootschalige wetenschappelijke ruimtegegevens. Datawetenschap en machine learning zullen een steeds belangrijkere rol spelen bij ons streven om de oorsprong van ruimteweer te begrijpen en hoe we met de zon kunnen leven.