En grupp forskare använder artificiell intelligens för att kalibrera några av NASAs bilder av solen, hjälpa till att förbättra data som forskare använder för solforskning. Den nya tekniken publicerades i tidskriften Astronomi &Astrofysik den 13 april, 2021.

Ett solteleskop har ett tufft jobb. Att stirra på solen tar hårt, med ett ständigt bombardement av en aldrig sinande ström av solpartiklar och intensivt solljus. Över tid, de känsliga linserna och sensorerna i solteleskop börjar försämras. För att säkerställa att data som sådana instrument skickar tillbaka fortfarande är korrekta, forskare kalibrerar om med jämna mellanrum för att se till att de förstår hur instrumentet förändras.

Lanserades 2010, NASA:s Solar Dynamics Observatory, eller SDO, har tillhandahållit högupplösta bilder av solen i över ett decennium. Dess bilder har gett forskare en detaljerad titt på olika solfenomen som kan utlösa rymdväder och påverka våra astronauter och teknik på jorden och i rymden. Atmospheric Imagery Assembly, eller AIA, är ett av två bildinstrument på SDO och tittar konstant på solen, tar bilder över 10 våglängder av ultraviolett ljus var 12:e sekund. Detta skapar en mängd information om solen som ingen annan, men – som alla solstirrande instrument – ​​försämras AIA med tiden, och data måste kalibreras ofta.

Sedan SDO:s lansering, forskare har använt sondraketer för att kalibrera AIA. Sondraketer är mindre raketer som vanligtvis bara bär några få instrument och tar korta flygningar ut i rymden - vanligtvis bara 15 minuter. Avgörande, klingande raketer flyger över större delen av jordens atmosfär, låter instrument ombord se de ultravioletta våglängderna uppmätt med AIA. Dessa ljusvåglängder absorberas av jordens atmosfär och kan inte mätas från marken. För att kalibrera AIA, de skulle fästa ett ultraviolett teleskop till en sondraket och jämföra dessa data med mätningarna från AIA. Forskare kan sedan göra justeringar för att ta hänsyn till eventuella förändringar i AIA:s data.

Det finns några nackdelar med den klingande raketmetoden för kalibrering. Sondraketer kan bara skjutas upp så ofta, men AIA tittar ständigt på solen. Det betyder att det finns stillestånd där kalibreringen är något avstängd mellan varje klingande raketkalibrering.

"Det är också viktigt för djupa rymduppdrag, som inte har möjlighet att låta raketkalibrering, " sa Dr Luiz Dos Santos, en solfysiker vid NASA:s Goddard Space Flight Center i Greenbelt, Maryland, och huvudförfattare på tidningen. "Vi tar oss an två problem samtidigt."

Virtuell kalibrering

Med dessa utmaningar i åtanke, forskare bestämde sig för att titta på andra alternativ för att kalibrera instrumentet, med sikte på konstant kalibrering. Maskininlärning, en teknik som används inom artificiell intelligens, verkade vara en perfekt passform.

Som namnet antyder, maskininlärning kräver ett datorprogram, eller algoritm, att lära sig att utföra sin uppgift.

Först, forskare behövde träna en maskininlärningsalgoritm för att känna igen solstrukturer och hur man jämför dem med hjälp av AIA-data. Att göra detta, de ger algoritmen bilder från klingande raketkalibreringsflygningar och berättar den korrekta mängden kalibrering de behöver. Efter tillräckligt många av dessa exempel, de ger algoritmen liknande bilder och ser om den skulle identifiera den korrekta kalibreringen som behövs. Med tillräckligt med data, Algoritmen lär sig att identifiera hur mycket kalibrering som behövs för varje bild.

Eftersom AIA tittar på solen i flera våglängder av ljus, forskare kan också använda algoritmen för att jämföra specifika strukturer över våglängderna och stärka dess bedömningar.

Att börja, de skulle lära ut algoritmen hur ett solutbrott såg ut genom att visa det solutbrott över alla AIA:s våglängder tills det kände igen solutbrott i alla olika typer av ljus. När programmet kan känna igen ett solsken utan någon försämring, Algoritmen kan sedan avgöra hur mycket försämring som påverkar AIA:s nuvarande bilder och hur mycket kalibrering som behövs för varje.

"Detta var det stora, " sa Dos Santos. "Istället för att bara identifiera den på samma våglängd, vi identifierar strukturer över våglängderna."

Detta innebär att forskare kan vara säkrare på kalibreringen som algoritmen identifierade. Verkligen, när man jämför deras virtuella kalibreringsdata med sondraketkalibreringsdata, maskininlärningsprogrammet var perfekt.

Med denna nya process, forskare är redo att ständigt kalibrera AIA:s bilder mellan kalibreringsraketflygningar, förbättra träffsäkerheten i SDO:s data för forskare.

Maskininlärning bortom solen

Forskare har också använt maskininlärning för att bättre förstå förhållanden närmare hemmet.

En grupp forskare under ledning av Dr Ryan McGranaghan – primär dataforskare och rymdingenjör vid ASTRA LLC och NASA Goddard Space Flight Center – använde maskininlärning för att bättre förstå sambandet mellan jordens magnetfält och jonosfären, den elektriskt laddade delen av jordens övre atmosfär. Genom att använda datavetenskapliga tekniker för stora mängder data, de kunde tillämpa maskininlärningstekniker för att utveckla en nyare modell som hjälpte dem att bättre förstå hur energisatta partiklar från rymden regnar ner i jordens atmosfär, där de kör rymdväder.

Allt eftersom maskininlärning går framåt, dess vetenskapliga tillämpningar kommer att expandera till fler och fler uppdrag. För framtiden, detta kan innebära att djupa rymduppdrag – som reser till platser där kalibreringsraketflyg inte är möjliga – fortfarande kan kalibreras och fortsätta att ge korrekta data, även när man tar sig ut till större och större avstånd från jorden eller några stjärnor.