Hàng trên cùng của hình ảnh cho thấy sự xuống cấp của kênh 304 angstroms của AIA trong những năm qua kể từ khi SDO ra mắt. Hàng dưới cùng của hình ảnh được sửa chữa cho sự xuống cấp này bằng cách sử dụng một thuật toán học máy. Nhà cung cấp hình ảnh: Luiz dos Santos / NASA GSFC

Một nhóm các nhà nghiên cứu đang sử dụng các kỹ thuật trí tuệ nhân tạo để hiệu chỉnh một số hình ảnh của NASA về mặt trời, giúp cải thiện dữ liệu mà các nhà khoa học sử dụng cho nghiên cứu năng lượng mặt trời. Công nghệ mới đã được xuất bản trên tạp chí Thiên văn học và vật lý thiên văn Vào ngày 13 tháng 4 năm 2021.

Kính thiên văn mặt trời có một nhiệm vụ khó khăn. Nhìn chằm chằm vào mặt trời gây ra một thiệt hại nặng nề, với sự bắn phá liên tục bởi dòng hạt mặt trời vô tận và ánh nắng gay gắt. Theo thời gian, các thấu kính và cảm biến nhạy cảm trong kính thiên văn năng lượng mặt trời bắt đầu kém đi. Để đảm bảo dữ liệu được gửi bởi các thiết bị này vẫn chính xác, các nhà khoa học định kỳ hiệu chuẩn lại để đảm bảo rằng họ hiểu được thiết bị đang thay đổi như thế nào.

Ra mắt vào năm 2010, Đài quan sát Động lực học Mặt trời của NASA, hay còn gọi là SDO, đã cung cấp những hình ảnh có độ phân giải cao về mặt trời trong hơn một thập kỷ. Những bức ảnh của ông đã cho các nhà khoa học cái nhìn chi tiết về các hiện tượng mặt trời khác nhau có thể khuấy động thời tiết không gian và ảnh hưởng đến các phi hành gia và công nghệ trên Trái đất và trong không gian. Mảng hình ảnh trên không, hay AIA, là một trong hai công cụ chụp ảnh trên SDO và liên tục nhìn vào mặt trời, chụp ảnh qua 10 bước sóng của ánh sáng cực tím cứ sau 12 giây. Điều này tạo ra một lượng thông tin vô song về Mặt trời, nhưng – giống như tất cả các dụng cụ ngắm cảnh – AIA xấu đi theo thời gian và dữ liệu phải được hiệu chỉnh thường xuyên.

Hình ảnh này cho thấy bảy trong số các bước sóng cực tím được quan sát bởi Hiệp hội Hình ảnh Hàng không trên Đài quan sát Động lực học Mặt trời của NASA. Hàng trên cùng là các ghi chú từ tháng 5 năm 2010 và hàng dưới cùng hiển thị các ghi chú từ năm 2019, không có bất kỳ chỉnh sửa nào, cho thấy công cụ đã xuống cấp như thế nào theo thời gian. Nhà cung cấp hình ảnh: Luiz dos Santos / NASA GSFC

Kể từ khi SDO ra mắt, các nhà khoa học đã sử dụng tên lửa định vị để hiệu chỉnh AIA. Tên lửa âm thanh là tên lửa nhỏ hơn thường chỉ mang theo một số dụng cụ và thực hiện các chuyến đi ngắn vào không gian – thường chỉ 15 phút. Điều quan trọng, tên lửa âm thanh bay qua hầu hết bầu khí quyển của Trái đất, cho phép các thiết bị trên tàu nhìn thấy bước sóng cực tím được đo bằng AIA. Những bước sóng ánh sáng này bị bầu khí quyển của Trái đất hấp thụ và không thể đo được từ Trái đất. Để hiệu chỉnh AIA, họ sẽ kết nối kính viễn vọng tia cực tím với một tên lửa định âm và so sánh dữ liệu đó với các phép đo từ AIA. Sau đó, các nhà khoa học có thể thực hiện các điều chỉnh để giải thích bất kỳ thay đổi nào trong dữ liệu AIA.

Có một số sai sót trong phương pháp hiệu chuẩn tên lửa định vị. Tên lửa âm thanh chỉ có thể được phóng thường xuyên, nhưng AIA không ngừng tìm kiếm mặt trời. Điều này có nghĩa là có một khoảng thời gian ngừng hoạt động mà hiệu chuẩn hơi bị tắt giữa mỗi lần hiệu chuẩn tên lửa phát âm thanh.

Tiến sĩ Luis dos Santos, nhà vật lý học tại Trung tâm bay vũ trụ Goddard của NASA ở Greenbelt, Maryland, đồng thời là tác giả chính của bài nghiên cứu cho biết: “Nó cũng quan trọng đối với các sứ mệnh không gian sâu, vốn sẽ không có tùy chọn phát ra âm thanh để hiệu chỉnh tên lửa. “Chúng tôi đang giải quyết hai vấn đề cùng một lúc.”

hiệu chuẩn mặc định

Với những thách thức này, các nhà khoa học quyết định xem xét các lựa chọn khác để hiệu chuẩn thiết bị, với trọng tâm là hiệu chuẩn liên tục. Học máy, một cách tiếp cận được sử dụng trong trí tuệ nhân tạo, dường như rất phù hợp.

Như tên cho thấy, học máy yêu cầu một chương trình máy tính hoặc thuật toán để học cách thực hiện nhiệm vụ của nó.

Mặt trời được AIA nhìn thấy ở ánh sáng 304 Å vào năm 2021 trước khi hiệu chỉnh suy thoái (xem hình ảnh bên dưới với các hiệu chỉnh từ hiệu chuẩn tên lửa định vị). Nhà cung cấp hình ảnh: NASA GSFC

Đầu tiên, các nhà nghiên cứu cần đào tạo một thuật toán học máy để nhận ra các cấu trúc năng lượng mặt trời và cách chúng so sánh bằng cách sử dụng dữ liệu AIA. Để làm được điều này, họ đưa ra các hình ảnh thuật toán từ các chuyến bay hiệu chuẩn của tên lửa định vị và cho họ biết lượng hiệu chuẩn chính xác mà họ cần. Sau khi có đủ các ví dụ này, họ cung cấp cho thuật toán những hình ảnh tương tự và xem liệu nó có xác định được hiệu chuẩn chính xác cần thiết hay không. Với đủ dữ liệu, thuật toán học cách xác định mức độ hiệu chuẩn cần thiết cho mỗi hình ảnh.

Mặt trời được AIA nhìn thấy ở ánh sáng 304 A vào năm 2021 với các hiệu chỉnh từ quá trình hiệu chuẩn tên lửa định âm (xem hình ảnh trước ở trên trước khi hiệu chỉnh sự suy giảm). Nhà cung cấp hình ảnh: NASA GSFC

Vì AIA nhìn vào Mặt trời ở nhiều bước sóng ánh sáng, các nhà nghiên cứu cũng có thể sử dụng thuật toán để so sánh các cấu trúc cụ thể qua các bước sóng và nâng cao đánh giá của họ.

Để bắt đầu, họ sẽ dạy cho thuật toán một tia sáng mặt trời trông như thế nào bằng cách hiển thị các tia sáng mặt trời trên tất cả các bước sóng AIA để nó có thể xác định các tia sáng mặt trời trong tất cả các loại ánh sáng khác nhau. Khi phần mềm có thể xác định ánh sáng mặt trời mà không có bất kỳ sự suy giảm nào, thuật toán sau đó có thể xác định mức độ ảnh hưởng của sự suy giảm ảnh hưởng đến các hình ảnh AIA hiện có và mức độ hiệu chỉnh cần thiết cho mỗi hình ảnh.

“Đó là điều quan trọng,” dos Santos nói. “Thay vì chỉ xác định nó ở cùng một bước sóng, chúng tôi xác định cấu trúc qua các bước sóng.”

Điều này có nghĩa là các nhà nghiên cứu có thể chắc chắn hơn về hiệu chuẩn được đặt ra bởi thuật toán. Trên thực tế, khi so sánh dữ liệu hiệu chuẩn giả định của họ với dữ liệu hiệu chuẩn của tên lửa thủy âm, phần mềm máy học đã ở ngay vị trí đó.

Với quy trình mới này, các nhà nghiên cứu đang chuẩn bị hiệu chỉnh liên tục hình ảnh AIA giữa các chuyến bay hiệu chuẩn tên lửa, cải thiện độ chính xác của dữ liệu SDO của các nhà nghiên cứu.

Máy học đằng sau mặt trời

Các nhà nghiên cứu cũng đang sử dụng máy học để hiểu rõ hơn về các điều kiện gần nhà.

Một nhóm các nhà nghiên cứu, dẫn đầu bởi Tiến sĩ Ryan McGrangan – nhà khoa học dữ liệu chính và kỹ sư không gian tại Astra LLC và Trung tâm Chuyến bay Vũ trụ Goddard của NASA – sử dụng máy học التعلم Để hiểu mối quan hệ giữa từ trường của Trái đất và tầng điện ly, phần tích điện của tầng khí quyển trên của Trái đất. Sử dụng các kỹ thuật khoa học dữ liệu cho khối lượng lớn dữ liệu, họ có thể áp dụng kỹ thuật máy học để phát triển một mô hình mới giúp họ hiểu rõ hơn về cách các hạt từ mưa vũ trụ được cung cấp năng lượng vào bầu khí quyển của Trái đất, nơi chúng điều khiển thời tiết không gian.

Khi máy học tiến bộ, các ứng dụng khoa học của nó sẽ mở rộng để bao gồm ngày càng nhiều nhiệm vụ. Đối với tương lai, điều này có nghĩa là các sứ mệnh không gian sâu – đi đến những nơi không thể phóng tên lửa hiệu chuẩn – vẫn có thể được hiệu chỉnh và tiếp tục cung cấp dữ liệu chính xác, ngay cả khi đi ra ngoài khoảng cách ngày càng lớn hơn từ Trái đất hoặc bất kỳ ngôi sao nào.

Tham khảo: “Hiệu chỉnh đa kênh tự động của tổng hợp hình ảnh trên không bằng máy học” của Louise F.J. dos Santos, Sovic Bos, Valentina Salvatelli, Brad Newberg, Mark CM Cheung, Miho Janvier, Meng Jin, Yaren Gall, Paul Boerner và Atilim Gunes Baden ngày 13 tháng 4 , Năm 2021, Thiên văn học và vật lý thiên văn.
DOI: 10.1051 / 0004-6361 / 202040051