Um grupo de pesquisadores está usando técnicas de inteligência artificial para calibrar algumas das imagens do sol da NASA, ajudando a melhorar os dados que os cientistas usam para a pesquisa de energia solar. A nova tecnologia foi publicada na revista Astronomia e astrofísica Em 13 de abril de 2021.
O telescópio solar tem uma tarefa difícil. Olhar para o sol cobra um preço alto, com bombardeio constante por um fluxo interminável de partículas solares e luz solar intensa. Com o tempo, as lentes e sensores sensíveis dos telescópios solares começam a se deteriorar. Para garantir que os dados enviados por esses instrumentos permaneçam precisos, os cientistas recalibram periodicamente para ter certeza de que entenderam como o instrumento está mudando.
Lançado em 2010, o Solar Dynamics Observatory, ou SDO, da NASA, fornece imagens do sol em alta resolução há mais de uma década. Suas fotografias deram aos cientistas uma visão detalhada dos vários fenômenos solares que podem agitar o clima espacial e afetar os astronautas e a tecnologia na Terra e no espaço. O Aerial Imagery Array, ou AIA, é uma das duas ferramentas de imagem no SDO e está constantemente olhando para o sol, capturando imagens em 10 comprimentos de onda de luz ultravioleta a cada 12 segundos. Isso cria uma riqueza incomparável de informações sobre o Sol, mas – como todos os instrumentos de observação do sol – o AIA se deteriora com o tempo e os dados devem ser calibrados com frequência.
Desde o lançamento do SDO, os cientistas têm usado foguetes de sondagem para calibrar o AIA. Foguetes de sondagem são foguetes menores que geralmente carregam apenas alguns instrumentos e fazem viagens curtas ao espaço – geralmente apenas 15 minutos. Crucialmente, os foguetes de sondagem voam sobre a maior parte da atmosfera da Terra, permitindo que os instrumentos de bordo vejam os comprimentos de onda ultravioleta medidos pelo AIA. Esses comprimentos de onda de luz são absorvidos pela atmosfera da Terra e não podem ser medidos da Terra. Para calibrar o AIA, eles irão conectar um telescópio ultravioleta a um foguete de sondagem e comparar os dados com as medições do AIA. Os cientistas podem então fazer ajustes para contabilizar quaisquer alterações nos dados do AIA.
Existem algumas falhas no método de calibração do míssil de sondagem. Foguetes de sondagem só podem ser lançados com certa frequência, mas o AIA está constantemente procurando o sol. Isso significa que há um tempo de inatividade em que a calibração fica ligeiramente errada entre cada calibração de míssil que soa.
“Também é importante para missões espaciais profundas, que não teriam a opção de sondar para calibrar foguetes”, disse o Dr. Luis dos Santos, heliofísico do Goddard Space Flight Center da NASA em Greenbelt, Maryland e principal autor do artigo de pesquisa. “Estamos lidando com dois problemas ao mesmo tempo.”
calibração padrão
Com esses desafios em mente, os cientistas decidiram considerar outras opções para calibração de dispositivos, com ênfase na calibração contínua. O aprendizado de máquina, uma abordagem usada em inteligência artificial, parecia se encaixar perfeitamente.
Como o nome sugere, o aprendizado de máquina requer um programa de computador ou algoritmo para aprender como realizar sua tarefa.
Primeiro, os pesquisadores precisaram treinar um algoritmo de aprendizado de máquina para reconhecer estruturas solares e como elas se comparam usando dados AIA. Para fazer isso, eles fornecem ao algoritmo imagens dos voos de calibração do míssil sonoro e informam a quantidade correta de calibração de que precisam. Depois de muitos desses exemplos, eles fornecem ao algoritmo imagens semelhantes e veem se ele determinará a calibração correta necessária. Com dados suficientes, o algoritmo aprende a determinar quanta calibração é necessária para cada imagem.
Uma vez que o AIA olha para o Sol em vários comprimentos de onda de luz, os pesquisadores também podem usar o algoritmo para comparar estruturas específicas em comprimentos de onda e melhorar suas avaliações.
Para começar, eles ensinarão ao algoritmo como é uma erupção solar, mostrando erupções solares em todos os comprimentos de onda AIA para que ele possa identificar erupções solares em todos os diferentes tipos de luz. Uma vez que o software pode identificar a explosão solar sem qualquer degradação, o algoritmo pode então determinar quanto da degradação afeta as imagens AIA existentes e quanta calibração é necessária para cada uma.
“Isso era o mais importante”, disse dos Santos. “Em vez de apenas identificá-lo no mesmo comprimento de onda, identificamos estruturas em comprimentos de onda.”
Isso significa que os pesquisadores podem ter mais certeza sobre a calibração definida pelo algoritmo. Na verdade, ao comparar seus dados de calibração hipotéticos com os dados de calibração do míssil sonoro, o software de aprendizado de máquina estava no local.
Com este novo processo, os pesquisadores estão se preparando para calibrar continuamente as imagens AIA entre os voos de foguetes de calibração, melhorando a precisão dos dados SDO dos pesquisadores.
Aprendizado de máquina por trás do sol
Os pesquisadores também estão usando o aprendizado de máquina para entender melhor as condições próximas de casa.
Um grupo de pesquisadores, liderado pelo Dr. Ryan McGrangan – principal cientista de dados e engenheiro espacial da Astra LLC e Goddard Space Flight Center da NASA – usar aprendizado de máquina التعلم Para entender melhor a relação entre o campo magnético da Terra e a ionosfera, a porção eletricamente carregada da atmosfera superior da Terra. Usando técnicas de ciência de dados para grandes volumes de dados, eles podem aplicar técnicas de aprendizado de máquina para desenvolver um novo modelo que os ajude a entender melhor como as partículas da chuva espacial são energizadas na atmosfera da Terra, onde conduzem o clima espacial.
Conforme o aprendizado de máquina avança, seus aplicativos científicos se expandem para incluir mais e mais tarefas. Para o futuro, isso pode significar que as missões no espaço profundo – que viajam para lugares onde foguetes de calibração não podem ser lançados – ainda podem ser calibradas e continuar a fornecer dados precisos, mesmo quando se deslocam para distâncias cada vez maiores da Terra ou de qualquer estrela.
Referência: “Automatic Multichannel Calibration of Aerial Imaging Compilation Using Machine Learning” por 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 de abril , 2021, Astronomia e astrofísica.
DOI: 10.1051 / 0004-6361 / 202040051
“Ávido fanático pela internet. Futuro ídolo adolescente. Perito sem remorso em café. Comunicador. Pioneiro de viagens. Geek zumbi freelance.”