L’intelligence artificielle aide à améliorer la vision du soleil par la NASA


L'intelligence artificielle aide à améliorer la vision du soleil par la NASA

Cette image montre sept des longueurs d’onde ultraviolettes observées par l’Assemblée d’imagerie atmosphérique à du Solar Dynamics Observatory de la NASA. La ligne du haut montre les observations de mai 2010 et la ligne du bas montre les observations de 2019 sans corrections montrant comment l’instrument s’est détérioré au fil du temps. Crédit photo : Luiz Dos Santos / NASA GSFC

Un groupe de chercheurs utilise des techniques d’intelligence artificielle pour calibrer certaines des images solaires de la NASA afin d’améliorer les données utilisées par les scientifiques pour la recherche solaire. La nouvelle technique a été publiée dans le magazine Astronomie & Astrophysique le 13 avril 2021.

Un solaire fait un travail difficile. Regarder le fait des ravages, avec un bombardement constant d’un flux sans fin de particules solaires et d’une lumière solaire intense. Au fil du temps, les lentilles et les capteurs délicats des télescopes solaires commencent à se détériorer. Pour s’assurer que les données que ces instruments renvoient sont toujours exactes, les scientifiques recalibrent régulièrement pour s’assurer qu’ils comprennent l’évolution de l’instrument.

Le Solar Dynamics Observatory (SDO) de la NASA, créé en 2010, fournit des images haute résolution du soleil depuis plus d’une décennie. Ses images ont donné aux scientifiques un aperçu approfondi de divers phénomènes solaires qui déclenchent la météo spatiale et peuvent affecter nos astronautes et la technologie sur Terre et dans l’espace. L’ensemble d’imagerie atmosphérique, ou AIA, est l’un des deux instruments d’imagerie sur SDO et regarde constamment le soleil et prend des photos sur 10 longueurs d’onde de lumière ultraviolette toutes les 12 secondes. Cela génère une mine d’informations sur le soleil pas comme les autres, mais comme tous les instruments qui fixent le soleil, l’AIA se dégrade avec le temps et les données nécessitent un étalonnage fréquent.

Depuis le début de SDO, les scientifiques utilisent des fusées-sondes pour calibrer l’AIA. Les fusées-sondes sont des fusées plus petites qui transportent généralement peu d’instruments et effectuent de courts vols dans l’espace – généralement seulement 15 minutes. Surtout, les fusées-sondes survolent la majeure partie de l’atmosphère terrestre et permettent aux instruments embarqués de voir les longueurs d’onde ultraviolettes mesurées par AIA. Ces longueurs d’onde de la lumière sont absorbées par l’atmosphère terrestre et ne peuvent pas être mesurées depuis le sol. Pour calibrer AIA, ils attachaient un télescope ultraviolet à une fusée-sonde et comparaient ces données avec les mesures d’AIA. Les scientifiques peuvent alors faire des ajustements pour refléter les changements dans les données AEI.

Il y a plusieurs inconvénients à l’étalonnage des fusées-sondes. Les fusées-sondes ont des capacités de lancement limitées, mais AIA regarde constamment le soleil. Cela signifie qu’il y aura des temps d’arrêt entre les étalonnages des fusées-sondes pendant lesquels l’étalonnage s’écartera légèrement.

« C’est également important pour les missions spatiales où l’étalonnage des missiles exploratoires n’est pas possible », a déclaré le Dr. Luiz Dos Santos, physicien solaire au Goddard Space Flight Center de la NASA à Greenbelt, Maryland, et auteur principal de l’article. « Nous nous attaquons à deux problèmes en même temps. »

Étalonnage virtuel

Compte tenu de ces défis, les scientifiques ont décidé de rechercher d’autres options pour étalonner l’instrument afin de garder un œil sur l’étalonnage constant. L’apprentissage automatique, une technique d’intelligence artificielle, semblait être un ajustement parfait.

Comme son nom l’indique, l’apprentissage automatique nécessite un programme informatique ou un algorithme pour apprendre à faire son travail.

L'intelligence artificielle aide à améliorer la vision du soleil par la NASA

La rangée supérieure d’images montre la dégradation du canal de longueur d’onde de 304 Angstrom de l’AIA au cours des années depuis l’introduction de SDO. La rangée inférieure d’images est corrigée de cette détérioration à l’aide d’un algorithme d’apprentissage automatique. Crédit photo : Luiz Dos Santos / NASA GSFC

Tout d’abord, les chercheurs ont dû former un algorithme d’apprentissage automatique pour reconnaître les structures solaires et les comparer à l’aide des données AIA. Pour ce faire, ils donnent à l’algorithme des images des vols d’étalonnage des fusées-sondes et lui indiquent de combien d’étalonnage ils ont besoin. Après suffisamment de ces exemples, ils donnent à l’algorithme des images similaires et voient s’il identifierait le bon étalonnage. Avec suffisamment de données, l’algorithme apprend combien de calibrage est requis pour chaque image.

Étant donné que l’AIA voit le soleil dans plusieurs longueurs d’onde de la lumière, les chercheurs peuvent également utiliser l’algorithme pour comparer des structures spécifiques sur les longueurs d’onde et amplifier leurs évaluations.

Pour commencer, ils enseigneraient à l’algorithme à quoi ressemble une éruption solaire en montrant les éruptions solaires sur toutes les longueurs d’onde de l’AIA jusqu’à ce qu’il détecte les éruptions solaires dans tous les types de lumière. Une fois que le programme peut détecter une éruption solaire sans dégradation, l’algorithme peut alors déterminer dans quelle mesure la dégradation affecte les images actuelles d’AIA et quel étalonnage est requis pour chacune.

« C’était le gros problème », a déclaré Dos Santos. « Au lieu de simplement l’identifier sur la même longueur d’onde, nous identifions les structures en utilisant les longueurs d’onde. »

Cela signifie que les chercheurs peuvent être plus certains de l’étalonnage identifié par l’algorithme. En comparant leurs données d’étalonnage virtuelles avec les données d’étalonnage de la fusée-sonde, le programme d’apprentissage automatique était parfait.

Avec cette nouvelle technique, les chercheurs sont prêts à calibrer en permanence les images de l’AIA entre les vols de fusée d’étalonnage afin d’améliorer la précision des données SDO pour les chercheurs.

L’apprentissage automatique au-delà du soleil

Les chercheurs utilisent également l’apprentissage automatique pour mieux comprendre les conditions dans la région.

Un groupe de recherche dirigé par le Dr. Ryan McGranaghan – scientifique principal des données et ingénieur aérospatial chez ASTRA LLC et NASA Goddard Space Flight Center – a utilisé l’apprentissage automatique pour mieux comprendre la connexion entre le champ magnétique terrestre et l’ionosphère, la partie chargée électriquement de la surface supérieure de la Terre, l’atmosphère. En utilisant des techniques de science des données sur de grandes quantités de données, ils ont pu appliquer des techniques d’apprentissage automatique pour développer un modèle plus récent qui les a aidés à mieux comprendre comment les particules sous tension pleuvent de l’espace dans l’atmosphère terrestre, où elles déterminent la météo spatiale.

À mesure que l’apprentissage automatique progresse, ses applications scientifiques s’étendent pour inclure de plus en plus de missions. À l’avenir, cela peut signifier que les missions spatiales – menant à des endroits où les vols de fusées d’étalonnage ne sont pas possibles – peuvent toujours être calibrées et continuer à fournir des données précises même lorsqu’elles s’éloignent de plus en plus de la Terre ou des étoiles.


La fusée-sonde jette un deuxième regard sur le soleil


Plus d’information:
Luiz FG Dos Santos et al., Multichannel Autocalibration for the Atmospheric Imaging Assembly using Machine Learning, Astronomie & Astrophysique (2021). DOI : 10.1051 / 0004-6361 / 202040051

citation: L’intelligence artificielle aide à améliorer les yeux de la NASA sur le soleil (2021, 24 juillet), consulté le 24 juillet 2021 à partir de https://phys.org/news/2021-07-artificial-intelligence-nasa-eyes -sun.html

Ce document est soumis au droit d’auteur. Sauf pour le commerce équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni à titre informatif seulement.

Laisser un commentaire