Künstliche Intelligenz hilft, die Sicht der NASA auf die Sonne zu verbessern

Eine Gruppe von Forschern verwendet Techniken der künstlichen Intelligenz, um einige der Bilder der NASA von der Sonne zu kalibrieren, um die Datenwissenschaftler zu verbessern, die sie für die Sonnenforschung verwenden. Die neue Technik wurde in der Zeitschrift veröffentlicht Astronomie & Astrophysik 13.04.2021.

Ein Sonnenteleskop hat einen harten Job. Das Beobachten der Sonne fordert seinen Tribut, mit ständigem Bombardement durch einen endlosen Strom von Sonnenpartikeln und intensivem Sonnenlicht. Im Laufe der Zeit beginnen sich die empfindlichen Linsen und Sensoren von Sonnenteleskopen zu verschlechtern. Um sicherzustellen, dass die von diesen Instrumenten zurückgegebenen Daten immer genau sind, kalibrieren Wissenschaftler regelmäßig neu, um sicherzustellen, dass sie genau verstehen, wie sich das Instrument verändert.

Das 2010 ins Leben gerufene Solar Dynamics Observatory (SDO) der NASA liefert seit mehr als einem Jahrzehnt hochauflösende Bilder der Sonne. Seine Bilder haben Wissenschaftlern detaillierte Einblicke in verschiedene Sonnenphänomene gegeben, die das Weltraumwetter auslösen und unsere Astronauten und Technologie auf der Erde und im Weltraum beeinflussen können. Die Atmospheric Imaging Assembly, oder AIA, ist eines von zwei bildgebenden Instrumenten auf SDO und starrt ständig auf die Sonne und nimmt alle 12 Sekunden Bilder bei 10 Wellenlängen ultravioletten Lichts auf. Dies erzeugt eine Fülle von Informationen über die Sonne wie keine andere, aber wie alle Instrumente zur Beobachtung der Sonne verschlechtert sich die AIA mit der Zeit und die Daten müssen häufig kalibriert werden.

Seit der Einführung von SDO verwenden Wissenschaftler Höhenforschungsraketen um den AIA zu kalibrieren. Höhenforschungsraketen sind kleinere Raketen, die typischerweise nur wenige Instrumente tragen und kurze Flüge im Weltraum durchführen, typischerweise nur 15 Minuten. Es ist wichtig, dass Höhenforschungsraketen über dem größten Teil der Erdatmosphäre fliegen und es Bordinstrumenten ermöglichen, die von AIA gemessenen ultravioletten Wellenlängen zu sehen. Diese Lichtwellenlängen werden von der Erdatmosphäre absorbiert und können vom Boden aus nicht gemessen werden. Um den AIA zu kalibrieren, befestigten sie ein Ultraviolett-Teleskop an einer Sonde Rakete und vergleichen Sie diese Daten mit AIA-Messungen. Wissenschaftler können dann Anpassungen vornehmen, um Änderungen in den AIA-Daten zu berücksichtigen.

Das Kalibrierverfahren für Höhenforschungsraketen hat gewisse Nachteile. Höhenforschungsraketen können nur so oft gestartet werden, aber AIA beobachtet ständig die Sonne. Dies bedeutet, dass es zwischen jeder Höhenforschungsraketenkalibrierung eine Ausfallzeit gibt, in der die Kalibrierung leicht versetzt ist.

„Dies ist auch für Weltraummissionen wichtig, die keine Höhenforschungsrakete kalibrieren können“, sagte Dr. Luiz Dos Santos, Sonnenphysiker am Goddard Space Flight Center der NASA in Greenbelt, Maryland, und Hauptautor des Artikels. „Wir gehen zwei Probleme gleichzeitig an.“

Virtuelle Kalibrierung

Angesichts dieser Herausforderungen entschieden sich die Wissenschaftler, andere Möglichkeiten zur Kalibrierung des Instruments zu prüfen, um eine konstante Kalibrierung zu gewährleisten. Machine Learning, eine Technik der künstlichen Intelligenz, schien perfekt zu passen.

Wie der Name schon sagt, erfordert maschinelles Lernen ein Computerprogramm oder einen Algorithmus, um zu lernen, wie es seine Aufgabe erfüllt.

Zuerst mussten die Forscher ein Algorithmus für maschinelles Lernen Solarstrukturen erkennen und mit AIA-Daten vergleichen. Sie tun dies, indem sie dem Algorithmus Bilder von Höhenforschungsraketen-Kalibrierungsflügen geben und ihm die richtige Kalibrierung mitteilen, die sie benötigen. Nach genug dieser Beispiele geben sie dem Algorithmus ähnliche Bilder und sehen, ob er die richtige Kalibrierung identifizieren würde. Mit genügend Daten lernt der Algorithmus, den erforderlichen Kalibrierungsumfang für jedes Bild zu ermitteln.

Da AIA die Sonne in mehreren Lichtwellenlängen betrachtet, können Forscher den Algorithmus auch verwenden, um spezifische Strukturen über Wellenlängen hinweg zu vergleichen und ihre Bewertungen zu verstärken.

Zunächst würden sie dem Algorithmus beibringen, was a Sonneneruption sah aus, als würde er ihm Sonneneruptionen auf allen AIA-Wellenlängen zeigen, bis er Sonneneruptionen in allen verschiedenen Lichtarten erkannte. Sobald das Programm eine Sonneneruption ohne Beeinträchtigung erkennen kann, kann der Algorithmus das Ausmaß der Verschlechterung, die die aktuellen AIA-Bilder beeinflusst, und den erforderlichen Kalibrierungsumfang bestimmen.

„Das war die große Sache“, sagte Dos Santos. „Anstatt es nur auf derselben Wellenlänge zu identifizieren, identifizieren wir Strukturen über Wellenlängen hinweg.“

Dies bedeutet, dass die Forscher hinsichtlich der vom Algorithmus identifizierten Kalibrierung sicherer sein können. Tatsächlich war das maschinelle Lernprogramm durch den Vergleich ihrer virtuellen Kalibrierungsdaten mit den Kalibrierungsdaten von Höhenforschungsraketen perfekt.

Mit diesem neuen Verfahren sind Forscher bereit, AIA-Bilder zwischen Kalibrierungsraketenflügen kontinuierlich zu kalibrieren und so die Genauigkeit der SDO-Daten für Forscher zu verbessern.

Maschinelles Lernen jenseits der Sonne

Die Forscher nutzten auch maschinelles Lernen, um die Bedingungen in der Nähe des Wohnorts besser zu verstehen.

Eine Forschergruppe unter der Leitung von Dr. Ryan McGranaghan, leitender Datenwissenschaftler und Luft- und Raumfahrtingenieur bei ASTRA LLC und dem Goddard Space Flight Center der NASA, nutzte maschinelles Lernen, um die Verbindung zwischen dem Erdmagnetfeld und der Ionosphäre, dem elektrisch geladenen Teil der Oberseite, besser zu verstehen der Erde. Atmosphäre. Mithilfe von Data-Science-Techniken für große Datenmengen konnten sie Techniken des maschinellen Lernens anwenden, um ein neueres Modell zu entwickeln, das ihnen dabei half, besser zu verstehen, wie energetisierte Partikel aus dem Weltraum in die Luft regnen.

Mögen maschinelles Lernen fortgeschritten ist, werden sich seine wissenschaftlichen Anwendungen auf immer mehr Missionen erstrecken. In Zukunft könnte dies bedeuten, dass ferne Weltraummissionen, die an Orte gehen, wo Kalibrierung Raketenflüge sind nicht möglich – können dennoch kalibriert werden und liefern weiterhin genaue Daten, auch weiter und weiter von der Erde oder einem beliebigen Stern entfernt.