En dyb læringsramme omdanner årtier med soldata til en samlet visning med høj opløsning-justering af instrumenter, overvinde begrænsninger og hjælper os med bedre at forstå vores stjerne.
Efterhånden som solteleskoper bliver mere sofistikerede, tilbyder de stadig mere detaljerede udsigt over vores nærmeste stjerne. Men med hver nye generation af instrumenter står vi over for den voksende udfordring for forskelle i observationer. Ældre datasæt, der undertiden spænder over årtier, kan ikke let sammenlignes med de seneste billeder. Evnen til at studere langsigtede solændringer eller sjældne begivenheder er begrænset af uoverensstemmelser i opløsning, kalibrering og datakvalitet.
Forskere fra University of Graz, Østrig, i samarbejde med kolleger fra Skolkovo Institute of Science and Technology (Skoltech), Rusland og Observatoriet med høj højde af det amerikanske nationale center for atmosfærisk forskning udviklede en ny dyb læringsramme (instrument-til-instrumentoversættelse; ITI), der hjælper med at bro mellem den gap mellem gamle og nye observationer.
Forskningsresultaterne blev offentliggjort i tidsskriftet Naturkommunikation.
“Ved hjælp af en type kunstig intelligens kaldet Generative Adversarial Networks (GANS) har vi udviklet en metode, der kan oversætte solobservationer fra et instrument til et andet – selvom disse instrumenter aldrig opererede på samme tid,” siger hovedforfatteren til undersøgelsen, Robert Jarolim, en NASA postdoctoral Fellow i den høje højdeobservatorium i Colorado (USA).
Denne teknik gør det muligt for AI -systemet at lære egenskaberne ved de seneste observationsfunktioner og overføre disse oplysninger til ældre observationer.
Modellen fungerer ved at uddanne et neuralt netværk til at simulere nedbrudte billeder fra høje kvalitet, og et andet netværk til at vende den syntetiske nedbrydning. Specifikt bruger metoden den virkelige verdenssoldata, der fanger kompleksiteten af de instrumentelle forskelle.
Det andet netværk kan derefter anvendes til reelle observationer af lav kvalitet for at oversætte dem til kvaliteten og opløsningen af referencedataene af høj kvalitet. Denne tilgang kan omdanne støjende billeder med lav opløsning til klarere, som kan sammenlignes med observationer opnået fra nylige solopgaver, samtidig med at de bevarer de fysiske funktioner på billederne.
Denne ramme blev anvendt til en række soldatasæt: kombinering af 24 års rumbaserede observationer, forbedring af opløsningen af fuldkisk-solbilleder, hvilket reducerer atmosfærisk støj i jordbaserede solobservationer og endda estimerer magnetiske felter på ydersiden af solen ved hjælp af kun data fra ekstreme ultraviolet-observationer.
“AI kan ikke erstatte observationer, men det kan hjælpe os med at få mest muligt ud af de data, vi allerede har samlet,” siger Jarolim. “Det er den virkelige magt i denne tilgang.”
Ved at forbedre arvesoldata med oplysninger fra de nylige observationsfunktioner kan det fulde potentiale i de kombinerede datasæt bruges. Dette skaber et mere konsistent billede af den langsigtede udvikling af vores dynamiske stjerne.
“Dette projekt viser, hvordan moderne computing kan indånde nyt liv i historiske data,” tilføjer Skoltech-lektor Tatiana Podladchikova, en medforfatter til papiret.
“Vores arbejde går ud over at forbedre gamle billeder-det handler om at skabe et universelt sprog til at studere solens udvikling på tværs af tiden. Takket være Skoltechs højtydende computerressourcer har vi trænet AI-modeller, der afslører skjulte forbindelser i årtiers værdi af soldata, hvilket afslører mønstre på tværs af flere solcykler.
“I sidste ende bygger vi en fremtid, hvor enhver observation, fortid eller fremtid, kan tale det samme videnskabelige sprog.”