Een groep onderzoekers gebruikt kunstmatige-intelligentietechnieken om enkele van NASA's beelden van de zon te kalibreren, helpen bij het verbeteren van de gegevens die wetenschappers gebruiken voor zonneonderzoek. De nieuwe techniek werd gepubliceerd in het tijdschrift Astronomie en astrofysica op 13 april 2021.

Een zonnetelescoop heeft een zware taak. Staren naar de zon eist een zware tol, met een constant bombardement door een nooit eindigende stroom zonnedeeltjes en intens zonlicht. Overuren, de gevoelige lenzen en sensoren van zonnetelescopen beginnen te verslechteren. Om ervoor te zorgen dat de gegevens die dergelijke instrumenten terugsturen nog steeds nauwkeurig zijn, wetenschappers kalibreren periodiek opnieuw om er zeker van te zijn dat ze begrijpen hoe het instrument verandert.

Gelanceerd in 2010, NASA's Solar Dynamics Observatorium, of SDO, levert al meer dan tien jaar high-definition beelden van de zon. De afbeeldingen hebben wetenschappers een gedetailleerd beeld gegeven van verschillende zonnefenomenen die ruimteweer kunnen veroorzaken en onze astronauten en technologie op aarde en in de ruimte kunnen beïnvloeden. De Atmosferische Beeldspraak, of AIA, is een van de twee beeldvormende instrumenten op SDO en kijkt constant naar de zon, elke 12 seconden beelden maken over 10 golflengten van ultraviolet licht. Dit creëert een schat aan informatie over de zon als geen ander, maar - net als alle instrumenten die naar de zon staren - neemt AIA in de loop van de tijd af, en de gegevens moeten regelmatig worden gekalibreerd.

Sinds de lancering van SDO, wetenschappers hebben klinkende raketten gebruikt om AIA te kalibreren. Sondeerraketten zijn kleinere raketten die doorgaans maar een paar instrumenten dragen en korte vluchten naar de ruimte maken - meestal slechts 15 minuten. Cruciaal, klinkende raketten vliegen boven het grootste deel van de atmosfeer van de aarde, waardoor instrumenten aan boord de door AIA gemeten ultraviolette golflengten kunnen zien. Deze golflengten van licht worden geabsorbeerd door de atmosfeer van de aarde en kunnen niet vanaf de grond worden gemeten. Om AIA te kalibreren, ze zouden een ultraviolette telescoop aan een sondeerraket bevestigen en die gegevens vergelijken met de metingen van AIA. Wetenschappers kunnen vervolgens aanpassingen maken om rekening te houden met eventuele wijzigingen in de gegevens van AIA.

Er zijn enkele nadelen aan de kalibratiemethode van de sondeerraket. Klinkende raketten kunnen maar zo vaak lanceren, maar AIA kijkt constant naar de zon. Dat betekent dat er downtime is waarbij de kalibratie enigszins afwijkt tussen elke klinkende raketkalibratie.

"Het is ook belangrijk voor diepe ruimtemissies, die niet de mogelijkheid hebben om raketkalibratie te klinken, " zei Dr. Luiz Dos Santos, een zonnefysicus bij NASA's Goddard Space Flight Center in Greenbelt, Maryland, en hoofdauteur op het papier. "We pakken twee problemen tegelijk aan."

Virtuele kalibratie

Met deze uitdagingen in het achterhoofd, wetenschappers besloten om naar andere opties te kijken om het instrument te kalibreren, met het oog op constante kalibratie. machinaal leren, een techniek die wordt gebruikt in kunstmatige intelligentie, leek perfect te passen.

Zoals de naam impliceert, machine learning vereist een computerprogramma, of algoritme, om te leren hoe hij zijn taak moet uitvoeren.

Eerst, onderzoekers moesten een machine learning-algoritme trainen om zonnestructuren te herkennen en te vergelijken met behulp van AIA-gegevens. Om dit te doen, ze geven de algoritmebeelden van klinkende raketkalibratievluchten en vertellen het de juiste hoeveelheid kalibratie die ze nodig hebben. Na genoeg van deze voorbeelden, ze geven het algoritme vergelijkbare afbeeldingen en kijken of het de juiste kalibratie zou identificeren. Met voldoende gegevens, het algoritme leert te identificeren hoeveel kalibratie nodig is voor elk beeld.

Omdat AIA naar de zon kijkt in meerdere golflengten van licht, onderzoekers kunnen het algoritme ook gebruiken om specifieke structuren over de golflengten te vergelijken en de beoordelingen te versterken.

Beginnen, ze zouden het algoritme leren hoe een zonnevlam eruit zag door het zonnevlammen te laten zien over alle golflengten van AIA totdat het zonnevlammen in alle verschillende soorten licht herkende. Zodra het programma een zonnevlam kan herkennen zonder enige degradatie, het algoritme kan vervolgens bepalen hoeveel degradatie de huidige beelden van AIA beïnvloedt en hoeveel kalibratie voor elk nodig is.

"Dit was het grote ding, "Zei Dos Santos. "In plaats van het alleen op dezelfde golflengte te identificeren, we identificeren structuren over de golflengten."

Dit betekent dat onderzoekers zekerder kunnen zijn van de kalibratie die het algoritme heeft geïdentificeerd. Inderdaad, bij het vergelijken van hun virtuele kalibratiegegevens met de kalibratiegegevens van de sondeerraket, het machine learning-programma was perfect.

Met dit nieuwe proces onderzoekers staan ​​klaar om de beelden van AIA constant te kalibreren tussen kalibratieraketvluchten, het verbeteren van de nauwkeurigheid van de gegevens van SDO voor onderzoekers.

Machine learning buiten de zon

Onderzoekers gebruiken machine learning ook om de omstandigheden dichter bij huis beter te begrijpen.

Een groep onderzoekers onder leiding van Dr. Ryan McGranaghan - hoofdgegevenswetenschapper en ruimtevaartingenieur bij ASTRA LLC en NASA Goddard Space Flight Center - gebruikte machine learning om het verband tussen het magnetische veld van de aarde en de ionosfeer beter te begrijpen, het elektrisch geladen deel van de bovenste atmosfeer van de aarde. Door datawetenschapstechnieken te gebruiken voor grote hoeveelheden gegevens, ze konden machine learning-technieken toepassen om een ​​nieuwer model te ontwikkelen dat hen hielp beter te begrijpen hoe energetische deeltjes uit de ruimte naar beneden regenen in de atmosfeer van de aarde, waar ze ruimteweer aandrijven.

Naarmate machine learning vordert, haar wetenschappelijke toepassingen zullen zich uitbreiden naar steeds meer missies. Voor de toekomst, dit kan betekenen dat diepe ruimtemissies - die reizen naar plaatsen waar kalibratieraketvluchten niet mogelijk zijn - nog steeds kunnen worden gekalibreerd en nauwkeurige gegevens kunnen blijven geven, zelfs als je naar steeds grotere afstanden van de aarde of sterren gaat.