Kunstmatige intelligentie helpt NASA’s ogen op de zon te verbeteren

Een groep onderzoekers gebruikt kunstmatige-intelligentietechnieken om enkele van NASA’s beelden van de zon te kalibreren, waardoor gegevenswetenschappers beter kunnen gebruiken voor onderzoek naar zonne-energie. De nieuwe technologie werd gepubliceerd in het tijdschrift Astronomie en astrofysica Op 13 april 2021.

De zonnetelescoop heeft een moeilijke taak. Het staren naar de zon eist een zware tol, met constant bombardement door een eindeloze stroom van zonnedeeltjes en intens zonlicht. Na verloop van tijd beginnen de gevoelige lenzen en sensoren in zonnetelescopen te verslechteren. Om ervoor te zorgen dat de gegevens die door deze instrumenten worden verzonden, nauwkeurig blijven, kalibreren wetenschappers periodiek opnieuw om ervoor te zorgen dat ze begrijpen hoe het instrument verandert.

NASA’s Solar Dynamics Observatory, of SDO, gelanceerd in 2010, levert al meer dan een decennium hoge-resolutiebeelden van de zon. Zijn foto’s hebben wetenschappers een gedetailleerd beeld gegeven van de verschillende zonnefenomenen die ruimteweer kunnen aanwakkeren en astronauten en technologie op aarde en in de ruimte kunnen beïnvloeden. De Aerial Imagery Array, of AIA, is een van de twee beeldvormingstools op SDO en kijkt constant naar de zon en maakt elke 12 seconden beelden over 10 golflengten van ultraviolet licht. Dit creëert een ongeëvenaarde schat aan informatie over de zon, maar – zoals alle zonnekijkinstrumenten – verslechtert AIA in de loop van de tijd, en de gegevens moeten regelmatig worden gekalibreerd.

Deze afbeelding toont zeven van de ultraviolette golflengten die zijn waargenomen door de Aerial Imaging Society aan boord van NASA’s Solar Dynamics Observatory. De bovenste rij zijn notities van mei 2010 en de onderste rij toont notities van 2019, zonder enige correctie, die laten zien hoe de tool in de loop van de tijd is verslechterd. Krediet: Luiz dos Santos/NASA GSFC

Sinds de lancering van de SDO hebben wetenschappers sondeerraketten gebruikt om de AIA te kalibreren. Sondeerraketten zijn kleinere raketten die gewoonlijk slechts een paar instrumenten dragen en korte ruimtereizen maken – gewoonlijk slechts 15 minuten. Cruciaal is dat klinkende raketten over het grootste deel van de atmosfeer van de aarde vliegen, waardoor instrumenten aan boord ultraviolette golflengten kunnen zien die door de AIA worden gemeten. Deze golflengten van licht worden geabsorbeerd door de atmosfeer van de aarde en kunnen niet vanaf de aarde worden gemeten. Om AIA te kalibreren, zullen ze een ultraviolette telescoop aansluiten op een sondeerraket en die gegevens vergelijken met metingen van AIA. Wetenschappers kunnen vervolgens aanpassingen maken om rekening te houden met eventuele wijzigingen in de AIA-gegevens.

Er zijn enkele gebreken in de kalibratiemethode van de sondeerraket. Sondeerraketten kunnen maar zo vaak worden gelanceerd, maar de AIA is constant op zoek naar de zon. Dit betekent dat er een downtime is waarbij de kalibratie iets afwijkt tussen elke klinkende raketkalibratie.

“Het is ook belangrijk voor diepe ruimtemissies, die niet de mogelijkheid zouden hebben om raketten te kalibreren”, zegt Dr. Luis dos Santos, een heliofysicus bij NASA’s Goddard Space Flight Center in Greenbelt, Maryland en hoofdauteur van het onderzoekspaper. “We pakken twee problemen tegelijk aan.”

standaard kalibratie

Met deze uitdagingen in het achterhoofd besloten de wetenschappers om andere opties voor apparaatkalibratie te overwegen, met de nadruk op continue kalibratie. Machine learning, een benadering die wordt gebruikt in kunstmatige intelligentie, leek daar precies in te passen.

Zoals de naam al doet vermoeden, vereist machine learning een computerprogramma of algoritme om te leren hoe het zijn taak moet uitvoeren.

Zon gezien door de AIA bij 304 Angstrom licht in 2021 vóór verslechteringcorrectie (zie onderstaande afbeelding met correcties van een klinkende raketkalibratie). Krediet: NASA GSFC

Ten eerste moesten de onderzoekers een machine learning-algoritme trainen om zonnestructuren te herkennen en hoe ze zich verhouden met behulp van AIA-gegevens. Om dit te doen, geven ze het algoritme beelden van de kalibratievluchten van de sondeerraket en vertellen ze de juiste hoeveelheid kalibratie die ze nodig hebben. Na genoeg van deze voorbeelden geven ze het algoritme vergelijkbare beelden en kijken of het de juiste kalibratie zal bepalen. Met voldoende gegevens leert het algoritme bepalen hoeveel kalibratie nodig is voor elk beeld.

De zon werd door de AIA gezien bij 304 A licht in 2021 met correcties van de kalibratie van de sondeerraket (zie vorige afbeelding hierboven vóór correctie van de verslechtering). Krediet: NASA GSFC

Omdat de AIA naar de zon kijkt op meerdere golflengten van licht, kunnen onderzoekers het algoritme ook gebruiken om specifieke structuren over verschillende golflengten te vergelijken en hun evaluaties te verbeteren.

Om te beginnen leren ze het algoritme hoe een zonnevlam eruit ziet door zonnevlammen over alle AIA-golflengten te laten zien, zodat het zonnevlammen in alle verschillende soorten licht kan identificeren. Zodra de software de zonnevlam kan identificeren zonder enige degradatie, kan het algoritme vervolgens bepalen hoeveel van de degradatie de bestaande AIA-beelden beïnvloedt en hoeveel kalibratie voor elk nodig is.

“Dat was het belangrijkste”, zei dos Santos. “In plaats van het alleen op dezelfde golflengte te identificeren, identificeren we structuren over golflengten.”

Dit betekent dat onderzoekers zekerder kunnen zijn over de kalibratie die door het algoritme wordt ingesteld. Bij het vergelijken van hun hypothetische kalibratiegegevens met de kalibratiegegevens van de sondeerraket, was de machine learning-software ter plaatse.

Met dit nieuwe proces bereiden onderzoekers zich voor op het continu kalibreren van AIA-beelden tussen kalibratieraketvluchten, waardoor de nauwkeurigheid van de SDO-gegevens van de onderzoekers wordt verbeterd.

Machine learning achter de zon

Onderzoekers gebruiken machine learning ook om de omstandigheden dicht bij huis beter te begrijpen.

Een groep onderzoekers, geleid door Dr. Ryan McGrangan – hoofdgegevenswetenschapper en ruimteingenieur bij Astra LLC en NASA’s Goddard Space Flight Center – machinaal leren gebruiken Om de relatie tussen het magnetisch veld van de aarde en de ionosfeer, het elektrisch geladen deel van de bovenste atmosfeer van de aarde, beter te begrijpen. Met behulp van datawetenschapstechnieken voor grote hoeveelheden gegevens kunnen ze machine learning-technieken toepassen om een ​​nieuw model te ontwikkelen dat hen helpt beter te begrijpen hoe deeltjes uit ruimteregen worden geactiveerd in de atmosfeer van de aarde, waar ze ruimteweer aandrijven.

Naarmate machine learning vordert, zullen de wetenschappelijke toepassingen ervan uitbreiden met steeds meer taken. Voor de toekomst zou dit kunnen betekenen dat deep space-missies – die reizen naar plaatsen waar kalibratieraketten niet kunnen worden gelanceerd – nog steeds kunnen worden gekalibreerd en nauwkeurige gegevens kunnen blijven leveren, zelfs wanneer ze naar steeds grotere afstanden van de aarde of sterren gaan.

Referentie: “Automatic Multichannel Calibration of Aerial Imaging Compilation Using Machine Learning” door 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 13 april , 2021, Astronomie en astrofysica.
DOI: 10.1051/0004-6361/202040051