Ett team från NASA Frontier Development Lab (FDL) har visat att genom att använda djupinlärning, det är möjligt att virtuellt övervaka solens extrema ultravioletta (EUV) strålning, vilket är en nyckelfaktor bakom rymdvädret. Solen är livsviktig för överlevnad, men solflammor, som vanligtvis inträffar några gånger om året, har potential att orsaka allvarliga störningar i rymden och på jorden. Dessa störningar kan påverka rymdfarkoster, satelliter och till och med system här på jorden, inklusive GPS-navigering, radiokommunikation och elnätet. Djup inlärning kan hjälpa till att få ut mer värde av vår nuvarande förmåga att övervaka solen genom att tillhandahålla virtuella instrument som komplement till fysiska enheter. Denna forskning kommer att publiceras i Vetenskapens framsteg den 2 oktober, 2019 ("Ett virtuellt instrument för djupinlärning för att övervaka solens extrema ultravioletta spektralbestrålning").

"Vår forskning visar hur ett djupt neuralt nätverk kan tränas för att efterlikna ett instrument på Solar Dynamics Observatory (SDO), " sa FDL-teammedlem och medförfattare Alexander Szenicer (Oxford University). "Genom att sluta sig till vilka nivåer av ultraviolett strålning som sensorn skulle ha detekterat baserat på vad de andra instrumenten på SDO observerar vid varje given tidpunkt, Vi visar att det är möjligt att öka den vetenskapliga produktiviteten för NASA-uppdrag och att öka vår förmåga att övervaka solkällor för rymdväder."

FDL är ett partnerskap mellan NASA Ames Research Center, SETI-institutet och partner inom den privata sektorn och rymdorganisationen, inklusive Google Cloud, Intel AI, IBM, Kx Lockheed Martin, Luxemburgs rymdorganisation, NVIDIA, kanadensiska rymdorganisationen, HPE och Element AI. Under en 8-veckors sommarforskningsaccelerator, tvärvetenskapliga team bestående av forskare i tidiga karriärer inom AI och naturvetenskapliga domäner arbetar tillsammans för att tillämpa AI och maskininlärning för att ta itu med viktiga utmaningsfrågor. Utmaningsfrågan bakom denna forskning var att utveckla en AI-modell med hjälp av SDO-bilder för att förutsäga solspektral bestrålning.

Traditionellt, Metoder för att övervaka solenergi EUV spektral irradians inkluderar fysikinspirerade modeller som försöker förutsäga EUV-emission. Sådana metoder använder antingen magnetfältsfördelningar på solens yta eller fysikbaserade inversioner av plasmafördelningen i solens korona.

Dessa nya resultat visar att det är möjligt att använda avbildningsobservationer av solen för att skapa en proxymätning av EUV-spektral bestrålning. Genom att mata koronala bilder från NASA:s SDO till ett djupt neuralt nätverk kan vi generera proxy EUV-mätningar med en noggrannhet som överträffar fysikbaserade modeller.

Dessutom, teamet utvecklade riktmärken och protokoll för att jämföra förutsägelser mellan EUV-modeller. Dessa kommer att vara användbara för framtida studier. Än så länge, forskning har knappt skrapat på ytan på vad som är genomförbart genom att kombinera djupinlärning med storskalig vetenskaplig rymddata. Datavetenskap och maskininlärning kommer att spela allt viktigare roller i vår strävan att förstå ursprunget till rymdvädret och hur man lever med solen.