인공 지능은 태양에 대한 NASA의 눈을 개선하는 데 도움이 됩니다.

이미지의 맨 위 행은 SDO 출시 이후 수년 동안 AIA의 304옹스트롬 채널이 저하되었음을 보여줍니다. 이미지의 맨 아래 행은 기계 학습 알고리즘을 사용하여 이러한 저하에 대해 수정됩니다. 크레딧: Luiz dos Santos/NASA GSFC

연구원 그룹은 인공 지능 기술을 사용하여 NASA의 태양 이미지 중 일부를 보정하여 데이터 과학자가 태양 에너지 연구에 사용하는 것을 개선하는 데 도움을 주고 있습니다. 새로운 기술이 잡지에 게재되었습니다. 천문학 및 천체 물리학 2021년 4월 13일.

태양 망원경에는 어려운 작업이 있습니다. 태양을 응시하는 것은 끝없이 쏟아지는 태양 입자와 강렬한 햇빛의 끊임없는 폭격으로 막대한 피해를 입힙니다. 시간이 지남에 따라 태양 망원경의 민감한 렌즈와 센서는 성능이 저하되기 시작합니다. 이러한 장비에서 전송된 데이터가 정확한지 확인하기 위해 과학자들은 주기적으로 재보정하여 장비가 어떻게 변하고 있는지 이해하고 있는지 확인합니다.

2010년에 발사된 NASA의 SDO(Solar Dynamics Observatory)는 10년 이상 동안 고해상도 태양 이미지를 제공했습니다. 그의 사진은 과학자들에게 우주 날씨를 일으키고 지구와 우주의 우주비행사와 기술에 영향을 줄 수 있는 다양한 태양 현상에 대한 자세한 정보를 제공했습니다. AIA(Aerial Imagery Array)는 SDO의 두 가지 이미징 도구 중 하나이며 지속적으로 태양을 바라보며 12초마다 10개의 자외선 파장에 걸쳐 사진을 촬영합니다. 이것은 태양에 대한 비할 데 없는 풍부한 정보를 생성하지만, 모든 태양 관측 장비와 마찬가지로 AIA는 시간이 지남에 따라 성능이 저하되고 데이터를 자주 보정해야 합니다.

이 이미지는 NASA의 Solar Dynamics Observatory에서 항공 영상 학회(Aerial Imaging Society)가 관찰한 7개의 자외선 파장을 보여줍니다. 맨 위 줄은 2010년 5월 메모이고 맨 아래 줄은 수정 없이 2019년 메모를 보여주며 시간이 지남에 따라 도구가 어떻게 악화되었는지 보여줍니다. 크레딧: Luiz dos Santos/NASA GSFC

SDO 출시 이후 과학자들은 AIA를 보정하기 위해 사운딩 로켓을 사용해 왔습니다. 사운딩 로켓은 일반적으로 몇 개의 악기만 휴대하고 우주로 짧은 여행을 하는 작은 로켓입니다. 일반적으로 15분입니다. 결정적으로, 소리가 나는 로켓은 지구 대기의 대부분을 날아서 온보드 장비가 AIA에서 측정한 자외선 파장을 볼 수 있도록 합니다. 이러한 파장의 빛은 지구 대기에 흡수되어 지구에서 측정할 수 없습니다. AIA를 보정하기 위해 그들은 자외선 망원경을 로켓에 연결하고 그 데이터를 AIA의 측정값과 비교할 것입니다. 그런 다음 과학자들은 AIA 데이터의 변경 사항을 설명하기 위해 조정할 수 있습니다.

사운딩 미사일의 보정 방법에는 몇 가지 결함이 있습니다. 사운딩 로켓은 그렇게 자주 발사될 수 있지만 AIA는 끊임없이 태양을 찾고 있습니다. 이것은 각 사운딩 미사일 캘리브레이션 사이에 캘리브레이션이 약간 벗어난 다운타임이 있음을 의미합니다.

연구 논문의 주저자이자 메릴랜드주 그린벨트에 있는 NASA 고다드 우주 비행 센터의 태양물리학자 루이스 도스 산토스(Luis dos Santos) 박사는 “로켓을 보정할 수 있는 옵션이 없는 심우주 임무에도 중요하다”고 말했다. “우리는 한 번에 두 가지 문제를 해결하고 있습니다.”

기본 보정

이러한 과제를 염두에 두고 과학자들은 지속적인 교정에 중점을 두고 장치 교정을 위한 다른 옵션을 고려하기로 결정했습니다. 인공 지능에 사용되는 접근 방식인 머신 러닝이 딱 들어맞는 것 같았습니다.

이름에서 알 수 있듯이 머신 러닝은 작업을 수행하는 방법을 배우기 위해 컴퓨터 프로그램이나 알고리즘이 필요합니다.

열화 보정 전 2021년 AIA가 304 Å 빛으로 본 태양 크레딧: NASA GSFC

첫째, 연구원들은 AIA 데이터를 사용하여 태양 구조와 비교 방법을 인식하기 위해 기계 학습 알고리즘을 훈련해야 했습니다. 이를 위해 그들은 사운딩 미사일의 보정 비행에서 알고리즘 이미지를 제공하고 필요한 보정의 정확한 양을 알려줍니다. 이러한 예제를 충분히 수행한 후 알고리즘에 유사한 이미지를 제공하고 필요한 올바른 보정을 결정하는지 확인합니다. 데이터가 충분하면 알고리즘이 각 이미지에 필요한 보정량을 결정하는 방법을 학습합니다.

태양은 2021년에 304A 조명에서 AIA에 의해 사운딩 로켓의 보정으로 수정된 것으로 나타났습니다(열화 수정 전 위의 이전 이미지 참조). 크레딧: NASA GSFC

AIA는 여러 파장의 빛에서 태양을 관찰하기 때문에 연구원들은 알고리즘을 사용하여 파장에 걸쳐 특정 구조를 비교하고 평가를 향상시킬 수도 있습니다.

시작하려면 알고리즘에 모든 AIA 파장에 걸쳐 태양 플레어를 표시하여 태양 플레어가 어떻게 보이는지 가르쳐서 모든 다른 유형의 빛에서 태양 플레어를 식별할 수 있습니다. 소프트웨어가 열화 없이 태양 플레어를 식별할 수 있으면 알고리즘은 열화가 기존 AIA 이미지에 얼마나 영향을 미치는지와 각각에 대해 얼마나 많은 보정이 필요한지 결정할 수 있습니다.

“그것이 중요한 것이었습니다.”라고 Santos는 말했습니다. “동일한 파장에서 그것을 식별하는 대신, 우리는 파장에 걸쳐 구조를 식별합니다.”

이것은 연구자들이 알고리즘에 의해 설정된 보정에 대해 더 확신할 수 있음을 의미합니다. 사실, 가상의 교정 데이터를 사운딩 미사일의 교정 데이터와 비교할 때 기계 학습 소프트웨어가 그 자리에 있었습니다.

이 새로운 프로세스를 통해 연구원들은 보정 로켓 비행 사이에 AIA 이미지를 지속적으로 보정하여 연구원의 SDO 데이터 정확도를 개선할 준비를 하고 있습니다.

태양 뒤에서 머신 러닝

연구원들은 또한 기계 학습을 사용하여 집과 가까운 조건을 더 잘 이해하고 있습니다.

Astra LLC와 NASA의 Goddard 우주 비행 센터의 수석 데이터 과학자이자 우주 엔지니어인 Dr. Ryan McGrangan이 이끄는 연구원 그룹 기계 학습 사용 지구 자기장과 지구 상층 대기의 전하를 띠는 부분인 전리층 사이의 관계를 이해합니다. 대용량 데이터에 대한 데이터 과학 기술을 사용하여 기계 학습 기술을 적용하여 우주 비의 입자가 우주 날씨를 주도하는 지구의 대기로 에너지를 공급하는 방법을 더 잘 이해하는 데 도움이 되는 새로운 모델을 개발할 수 있습니다.

기계 학습이 진행됨에 따라 과학 응용 프로그램은 점점 더 많은 작업을 포함하도록 확장될 것입니다. 미래에는 보정 로켓을 발사할 수 없는 곳으로 여행하는 심우주 임무가 지구나 별에서 점점 더 멀어지는 경우에도 여전히 보정되고 정확한 데이터를 계속 제공할 수 있음을 의미할 수 있습니다.

참조: Louise F.J. dos Santos, Sovic Bos, Valentina Salvatelli, Brad Newberg, Mark CM Cheung, Miho Janvier, Meng Jin, Yaren Gall, Paul Boerner 및 Atilim Gunes Baden의 “기계 학습을 사용한 항공 영상 편집의 자동 다중 채널 보정” 4월 13일 , 2021년, 천문학 및 천체 물리학.
DOI: 10.1051 / 0004-6361 / 202040051