Dirbtinis intelektas padeda pagerinti NASA akis į saulę

Viršutinėje vaizdų eilutėje matomas 304 AIA angstremų kanalo pablogėjimas per metus nuo SDO paleidimo. Apatinė vaizdų eilutė koreguojama atsižvelgiant į šį degradaciją naudojant mašininio mokymosi algoritmą. Autorius: Luizas dos Santosas / NASA GSFC

Tyrėjų grupė naudoja dirbtinio intelekto metodus kalibruodama kai kuriuos NASA saulės vaizdus, ​​padėdama pagerinti duomenis, kuriuos mokslininkai naudoja saulės energijos tyrimams. Naujoji technologija buvo paskelbta žurnale Astronomija ir astrofizika 2021 m. Balandžio 13 d.

Saulės teleskopui tenka nelengva užduotis. Spoksojimas į saulę pareikalauja daug žalos, nuolat bombarduojamas nesibaigiančios saulės dalelių srovės ir intensyvios saulės šviesos. Laikui bėgant jautrūs lęšiai ir jutikliai saulės teleskopuose pradeda blogėti. Norėdami įsitikinti, kad šių prietaisų siunčiami duomenys išlieka tikslūs, mokslininkai periodiškai perkalibruoja, kad įsitikintų, kaip keičiasi prietaisas.

2010 m. Įkurta NASA Saulės dinamikos observatorija arba SDO daugiau nei dešimtmetį teikia aukštos raiškos saulės vaizdus. Jo nuotraukos mokslininkams išsamiai apžvelgė įvairius saulės reiškinius, kurie gali sujaudinti kosminius orus ir paveikti astronautus bei technologijas Žemėje ir kosmose. „Aerial Imagery Array“ arba AIA yra vienas iš dviejų SDO vaizdavimo įrankių ir nuolat žiūri į saulę, kas 12 sekundžių fotografuodamas 10 ultravioletinių spindulių bangos ilgio. Tai sukuria neprilygstamą daug informacijos apie Saulę, tačiau, kaip ir visi sungazing instrumentai, AIA laikui bėgant blogėja, todėl duomenis reikia dažnai kalibruoti.

Aerofotografijos draugijos septyni bangos ilgiai

Šiame paveikslėlyje parodyta septyni ultravioletinių bangų ilgiai, kuriuos NASA Saulės dinamikos observatorijoje stebėjo Aerial Imaging Society. Viršutinėje eilutėje yra užrašai nuo 2010 m. Gegužės, o apatinėje eilutėje pateikiami 2019 m. Užrašai be jokių pataisymų, rodantys, kaip įrankis laikui bėgant pablogėjo. Autorius: Luizas dos Santosas / NASA GSFC

Nuo SDO paleidimo mokslininkai kalibravo AIA kalbančiomis raketomis. Skambančios raketos yra mažesnės raketos, paprastai gabenančios tik kelis instrumentus ir trumpai keliaujančios į kosmosą – paprastai tik 15 minučių. Svarbiausia, kad skambančios raketos skrieja per didžiąją Žemės atmosferos dalį, todėl laive esantys prietaisai gali pamatyti ultravioletinių bangų ilgius, matuojamus AIA. Šiuos šviesos bangos ilgius sugeria Žemės atmosfera ir jų negalima išmatuoti iš Žemės. Norėdami kalibruoti AIA, jie prijungs ultravioletinį teleskopą prie skambančios raketos ir palygins tuos duomenis su AIA matavimais. Tada mokslininkai gali atlikti koregavimus atsižvelgdami į visus AIA duomenų pokyčius.

READ  Tyrimai rodo, kad per pastarąjį dešimtmetį visuomenė pritarė evoliucijai | Hemantas Mehta | Draugiškas ateistas

Skambančios raketos kalibravimo metodas turi keletą trūkumų. Skambančias raketas galima paleisti tik taip dažnai, tačiau AIA nuolat ieško saulės. Tai reiškia, kad yra prastovos, kai kalibravimas šiek tiek neveikia tarp kiekvieno skleidžiamo raketos kalibravimo.

„Tai taip pat svarbu giluminėms kosminėms misijoms, kurioms nebūtų galimybės skambėti raketoms kalibruoti“, – sakė dr. Luisas dos Santosas, NASA Goddardo kosminių skrydžių centro Greenbelt mieste, Merilende, heliofizikas ir pagrindinis tyrimo autorius. – Mes sprendžiame dvi problemas vienu metu.

numatytasis kalibravimas

Atsižvelgdami į šiuos iššūkius, mokslininkai nusprendė apsvarstyti kitas prietaisų kalibravimo galimybes, akcentuodami nuolatinį kalibravimą. Atrodė, kad mašininis mokymasis, dirbtinio intelekto metodas, tinka.

Kaip rodo pavadinimas, mašininiam mokymuisi reikalinga kompiuterinė programa ar algoritmas, kad išmoktų atlikti savo užduotį.

Saulė AIA 2021

Saulė, kurią 2021 m. AIA matė 304 angstremais, prieš gedimų korekciją (žr. Žemiau esantį paveikslėlį su koregavimais, atliekant skambančios raketos kalibravimą). Autorius: NASA GSFC

Pirma, mokslininkams reikėjo mokyti mašininio mokymosi algoritmo, kad būtų galima atpažinti saulės struktūras ir jų palyginimą naudojant AIA duomenis. Norėdami tai padaryti, jie pateikia algoritmo vaizdus iš zonduojančių raketų kalibravimo skrydžių ir nurodo teisingą jiems reikalingą kalibravimo kiekį. Po pakankamai šių pavyzdžių jie pateikia algoritmui panašius vaizdus ir patikrina, ar tai nulems teisingą reikalingą kalibravimą. Turėdamas pakankamai duomenų, algoritmas išmoksta nustatyti, kiek kalibruoti reikia kiekvienam vaizdui.

Saulė AIA 2021 FIKSUOTA

2021 m. AIA 304 A šviesoje matė Saulę su patikslinimais pagal skambančios raketos kalibravimą (žr. Ankstesnį vaizdą prieš pataisymą dėl gedimo). Autorius: NASA GSFC

Kadangi AIA žiūri į Saulę keliais šviesos bangos ilgiais, tyrėjai taip pat gali naudoti algoritmą, kad palygintų konkrečias struktūras bangos ilgiuose ir pagerintų jų vertinimus.

READ  1495 COVID-19 atvejai, 52 papildomos mirties priežastys.

Norėdami pradėti, jie mokys algoritmo, kaip atrodo saulės spindesys, parodydami saulės spindesius per visus AIA bangos ilgius, kad būtų galima nustatyti saulės spindesius visose skirtingose ​​šviesos rūšyse. Kai programinė įranga gali nustatyti saulės spindesį be jokios degradacijos, algoritmas gali nustatyti, kiek degradacijos turi įtakos esamiems AIA vaizdams ir kiek kalibruoti reikia kiekvienam.

„Tai buvo svarbus dalykas“, – sakė dos Santosas. “Užuot tik identifikavę jį tuo pačiu bangos ilgiu, mes identifikuojame konstrukcijas visame bangos ilgyje”.

Tai reiškia, kad tyrėjai gali būti tikresni dėl algoritmo nustatyto kalibravimo. Tiesą sakant, lyginant jų hipotetinius kalibravimo duomenis su zonduojančių raketų kalibravimo duomenimis, mašininio mokymosi programinė įranga buvo vietoje.

Vykdydami šį naują procesą, tyrėjai ruošiasi nuolat kalibruoti AIA vaizdus tarp kalibravimo raketos skrydžių, pagerindami tyrėjų SDO duomenų tikslumą.

Mašinų mokymasis už saulės

Tyrėjai taip pat naudojasi mašininiu mokymusi, kad geriau suprastų sąlygas šalia namų.

Viena tyrėjų grupė, vadovaujama dr. Ryano McGrangano – pagrindinio duomenų mokslininko ir kosmoso inžinieriaus „Astra LLC“ ir NASA Goddardo kosminių skrydžių centre – naudoti mašininį mokymąsi التعلم Norint geriau suprasti Žemės magnetinio lauko ir jonosferos santykį, elektra įkrautą Žemės viršutinės atmosferos dalį. Naudodami duomenų mokslo metodus dideliems duomenų kiekiams, jie gali pritaikyti mašininio mokymosi metodus, kad sukurtų naują modelį, kuris padėtų jiems geriau suprasti, kaip kosminio lietaus dalelės yra įjungiamos į Žemės atmosferą, kur jos varo kosminį orą.

Vykstant mašininiam mokymuisi, jo mokslinis pritaikymas išsiplės ir apims vis daugiau užduočių. Ateityje tai gali reikšti, kad giluminės kosminės misijos, vykstančios ten, kur negalima paleisti kalibravimo raketų, vis tiek gali būti kalibruojamos ir toliau teikiamos tikslūs duomenys, net ir vykstant į vis didesnį atstumą nuo Žemės ar bet kokių žvaigždžių.

READ  A huge radioactive jet from the early universe has been detected

Nuoroda: Luis F.J. dos Santos, Sovic Bos, Valentina Salvatelli, Brad Newberg, Mark CM Cheung, Miho Janvier, Meng Jin, Yaren Gal, Paul Boerner, Atilim Güneş Baden, „Automatic Multichannel Calibration of Aerial Imaging Compilation Using Machine Learning“. , 2021 m. Astronomija ir astrofizika.
DOI: 10.1051 / 0004-6361 / 202040051

Parašykite komentarą

El. pašto adresas nebus skelbiamas. Būtini laukeliai pažymėti *