Forskare från universitetet i Graz (Österrike), Skoltech och deras kollegor från USA och Tyskland har utvecklat ett nytt neuralt nätverk som på ett tillförlitligt sätt kan upptäcka koronala hål från rymdbaserade observationer. Denna applikation banar väg för mer tillförlitliga rymdväderförutsägelser och ger värdefull information för studiet av solaktivitetscykeln. Uppsatsen publicerades i tidskriften Astronomi &Astrofysik .

Ungefär som vårt liv på jorden beror på solens ljus, vårt elektroniska "liv" beror på aktiviteten hos vår närmaste stjärna och dess interaktioner med jordens magnetfält. För det mänskliga ögat, solen verkar nästan konstant, men solen är väldigt aktiv, visar ofta utbrott och orsakar geomagnetiska stormar på jorden. Av denna anledning, den yttre solatmosfären, solkoronan, övervakas ständigt av satellitbaserade teleskop.

I dessa observationer, en av de framträdande dragen är utvidgade mörka områden som kallas koronala hål. De verkar mörka eftersom plasmapartiklar kan fly längs magnetfältet från solytan in i det interplanetära rymden, lämnar ett "hål" i koronan. De flyktiga partiklarna bildar höghastighetssolvindströmmar som så småningom kan träffa jorden, orsakar geomagnetiska stormar. Utseendet och placeringen av dessa hål på solen varierar beroende på solaktiviteten, ger oss också viktig information om solens långsiktiga utveckling.

"Detekteringen av koronala hål är en svår uppgift för konventionella algoritmer och är också utmanande för mänskliga observatörer, eftersom det också finns andra mörka områden i solatmosfären, som filament, som lätt kan förväxlas med ett koronalt hål, " säger Robert Jarolim, en forskare vid universitetet i Graz och huvudförfattaren till studien.

I deras tidning, författarna beskriver ett konvolutionellt neuralt nätverk kallat CHRONNOS (Coronal Hole RecOgnition Neural Network Over multi-Spectral-data) som de utvecklade för att upptäcka koronala hål. "Artificiell intelligens tillåter oss att identifiera koronala hål baserat på deras intensitet, form, och magnetfältsegenskaper, som är samma kriterier som en mänsklig observatör tar hänsyn till, " säger Jarolim.

"Solatmosfären ser väldigt olika ut när den observeras vid olika våglängder. Vi använde bilder inspelade vid olika extrema ultravioletta (EUV) våglängder tillsammans med magnetfältskartor som input till vårt neurala nätverk, som gör det möjligt för nätverket att hitta relationer i flerkanalsrepresentationen, "Astrid Veronig, professor vid universitetet i Graz och medförfattare till publikationen, lägger till.

Författarna tränade sin modell med cirka 1700 bilder i tidsintervallet 2010-2017 och visade att metoden är konsekvent för alla solaktivitetsnivåer. Det neurala nätverket utvärderades genom att jämföra resultaten med 261 manuellt identifierade koronala hål, matchande mänskliga etiketter i 98 % av fallen. Dessutom, författarna undersökte upptäckten av koronala hål baserat på magnetfältskartor, som ser väldigt annorlunda ut än EUV-observationer. För en människa, de koronala hålen kan inte identifieras enbart från dessa bilder, men AI lärde sig att uppfatta bilderna på olika sätt och kunde identifiera koronala hål.

"Detta är ett lovande resultat för framtida markbaserad detektering av koronala hål, där vi inte direkt kan observera koronala hål som mörka områden som i rymdbaserade extrema ultravioletta och mjuka röntgenobservationer, men där solens magnetfält mäts regelbundet, " säger Tatiana Podladchikova, biträdande professor vid Skoltech Space Center och medförfattare till tidningen.

"Och vilka stormar än kan rasa, vi önskar alla ett bra väder i rymden, " avslutade Podladchikova.