Un grupo de investigadores está utilizando técnicas de inteligencia artificial para calibrar algunas de las imágenes del Sol de la NASA, ayudando a mejorar los datos que los científicos utilizan para la investigación solar. La nueva técnica fue publicada en la revista Astronomía y Astrofísica el 13 de abril 2021.

Un telescopio solar tiene un trabajo difícil. Mirar al sol tiene un precio muy alto, con un bombardeo constante por una corriente interminable de partículas solares y una intensa luz solar. Tiempo extraordinario, las lentes sensibles y los sensores de los telescopios solares comienzan a degradarse. Para garantizar que los datos que envían estos instrumentos sigan siendo precisos, Los científicos recalibran periódicamente para asegurarse de que comprenden cómo está cambiando el instrumento.

Lanzado en 2010, Observatorio de Dinámica Solar de la NASA, o SDO, ha proporcionado imágenes del Sol en alta definición durante más de una década. Sus imágenes han dado a los científicos una visión detallada de varios fenómenos solares que pueden provocar el clima espacial y afectar a nuestros astronautas y tecnología en la Tierra y en el espacio. La Asamblea de Imágenes Atmosféricas, o AIA, es uno de los dos instrumentos de imagen en SDO y mira constantemente al Sol, tomar imágenes en 10 longitudes de onda de luz ultravioleta cada 12 segundos. Esto crea una gran cantidad de información del Sol como ninguna otra, pero, como todos los instrumentos que miran al sol, el AIA se degrada con el tiempo, y los datos deben calibrarse con frecuencia.

Desde el lanzamiento de SDO, Los científicos han utilizado cohetes sonoros para calibrar el AIA. Los cohetes sonoros son cohetes más pequeños que, por lo general, solo llevan unos pocos instrumentos y realizan vuelos cortos al espacio, por lo general solo 15 minutos. Crucialmente, cohetes sonoros vuelan por encima de la mayor parte de la atmósfera de la Tierra, permitiendo que los instrumentos a bordo vean las longitudes de onda ultravioleta medidas por AIA. Estas longitudes de onda de luz son absorbidas por la atmósfera terrestre y no se pueden medir desde el suelo. Para calibrar AIA, conectarían un telescopio ultravioleta a un cohete sonda y compararían esos datos con las mediciones de AIA. Luego, los científicos pueden hacer ajustes para tener en cuenta cualquier cambio en los datos de AIA.

Hay algunos inconvenientes en el método de calibración del cohete sonoro. Los cohetes que suenan solo pueden lanzarse muy a menudo, pero AIA está constantemente mirando al sol. Eso significa que hay un tiempo de inactividad en el que la calibración está ligeramente desviada entre cada calibración de cohete que suena.

"También es importante para las misiones en el espacio profundo, que no tendrá la opción de sonar la calibración del cohete, "dijo el Dr. Luiz Dos Santos, un físico solar en el Goddard Space Flight Center de la NASA en Greenbelt, Maryland, y autor principal del artículo. "Estamos abordando dos problemas a la vez".

Calibración virtual

Con estos desafíos en mente, Los científicos decidieron buscar otras opciones para calibrar el instrumento, con miras a la calibración constante. Aprendizaje automático, una técnica utilizada en inteligencia artificial, parecía un ajuste perfecto.

Como su nombre indica, el aprendizaje automático requiere un programa de computadora, o algoritmo, para aprender a realizar su tarea.

Primero, Los investigadores necesitaban entrenar un algoritmo de aprendizaje automático para reconocer las estructuras solares y cómo compararlas utilizando datos AIA. Para hacer esto, le dan al algoritmo imágenes de vuelos de calibración de cohetes sonoros y le dicen la cantidad correcta de calibración que necesitan. Después de suficientes de estos ejemplos, le dan al algoritmo imágenes similares y ven si identificaría la calibración correcta necesaria. Con suficientes datos, el algoritmo aprende a identificar cuánta calibración se necesita para cada imagen.

Debido a que AIA mira al Sol en múltiples longitudes de onda de luz, los investigadores también pueden usar el algoritmo para comparar estructuras específicas en las longitudes de onda y fortalecer sus evaluaciones.

Para comenzar, le enseñarían al algoritmo cómo se veía una llamarada solar mostrándole llamaradas solares en todas las longitudes de onda de AIA hasta que reconociera las llamaradas solares en todos los diferentes tipos de luz. Una vez que el programa puede reconocer una llamarada solar sin ninguna degradación, El algoritmo puede entonces determinar cuánta degradación está afectando las imágenes actuales de AIA y cuánta calibración se necesita para cada una.

"Esta fue la gran cosa, "Dijo Dos Santos." En lugar de simplemente identificarlo en la misma longitud de onda, estamos identificando estructuras a lo largo de las longitudes de onda ".

Esto significa que los investigadores pueden estar más seguros de la calibración que identificó el algoritmo. En efecto, al comparar sus datos de calibración virtual con los datos de calibración de cohetes sonoros, el programa de aprendizaje automático acertó.

Con este nuevo proceso, los investigadores están preparados para calibrar constantemente las imágenes de AIA entre vuelos de cohetes de calibración, mejorar la precisión de los datos de SDO para los investigadores.

Aprendizaje automático más allá del sol

Los investigadores también han estado utilizando el aprendizaje automático para comprender mejor las condiciones más cercanas a casa.

Un grupo de investigadores dirigido por el Dr. Ryan McGranaghan, científico de datos principal e ingeniero aeroespacial de ASTRA LLC y el Centro de vuelo espacial Goddard de la NASA, utilizó el aprendizaje automático para comprender mejor la conexión entre el campo magnético de la Tierra y la ionosfera. la parte cargada eléctricamente de la atmósfera superior de la Tierra. Mediante el uso de técnicas de ciencia de datos para grandes volúmenes de datos, podrían aplicar técnicas de aprendizaje automático para desarrollar un modelo más nuevo que les ayudara a comprender mejor cómo las partículas energizadas del espacio caen en la atmósfera de la Tierra, donde impulsan el clima espacial.

A medida que avanza el aprendizaje automático, sus aplicaciones científicas se expandirán a más y más misiones. Para el futuro, Esto puede significar que las misiones en el espacio profundo, que viajan a lugares donde los vuelos de cohetes de calibración no son posibles, aún se pueden calibrar y continuar brindando datos precisos. incluso cuando se aleja a distancias cada vez mayores de la Tierra o de cualquier estrella.