|
ИИ будет наблюдать за Солнцем
|
|
|
|
Ученые Грацского университета имени Карла и Франца и обсерватории Канцельхох (Австрия) совместно с коллегами из Сколковского института науки и технологий разработали новый метод глубинного обучения для стабильной классификации и квантификации качества солнечных изображений, получаемых от наземных солнечных обсерваторий. Результаты исследований опубликованы в журнале The Astronomy & Astrophysics. Солнце – это единственная звезда, которая позволяет нам увидеть мелкие детали поверхности и изучать плазму в экстремальных условиях. Поверхность Солнца и слои атмосферы находятся под сильным влиянием его магнитного поля. Солнечные пятна, протуберанцы, корональные петли и флоккулы — это прямое следствие распределения усиленных магнитных полей на Солнце, что затрудняет понимание этих явлений.
|
|
|
|
Солнечные вспышки и корональные выбросы массы возникают в результате внезапного высвобождения свободной магнитной энергии, которая аккумулируется в областях солнечных пятен. Это наиболее энергичные события в нашей солнечной системе, оказывающие прямое влияние на систему Солнце–Земля и создающие «космическую погоду». Cовременное общество все более полагается на космические и наземные технологии, очень чувствительные к явлениям космической погоды.
|
|
|
Для лучшего понимания и прогнозирования солнечных явлений и взаимодействия солнечных извержений с магнитосферой и атмосферой Земли необходимо постоянно наблюдать за нашей главной звездой. В последние десятилетия физика Солнца вступила в эпоху больших данных, и объем их, постоянно поступающих из наземных и космических обсерваторий, уже невозможно анализировать лишь с помощью одного наблюдателя.
|
|
|
|
Чтобы обеспечить постоянный мониторинг Солнца, независимо от графика дня, ночи и местных погодных условий, по всему земному шару расположены наземные телескопы. Однако атмосфера Земли налагает самые сильные ограничения на наблюдения за Солнцем – облака могут затмить солнечный диск, а колебания воздуха — привести к размытию изображения. Для того чтобы выбрать лучшие наблюдения из нескольких одновременных и обнаружить локальное ухудшение качества, требуется объективная оценка качества изображения.
|
|
|
|
«Как люди, мы оцениваем качество изображения, рассматривая идеальное эталонное изображение Солнца и сравниваем его с реальным наблюдением. Например, облако перед солнечным диском было бы большим отклонением от нашего воображаемого идеального изображения, и мы бы присвоили этому снимку очень низкое качество, в то время как незначительные колебания были бы менее серьезными. Стандартные метрики качества не могут обеспечить необходимую оценку качества, независимую от солнечных элементов, и обычно не учитывают облака», – рассказывает профессор Космического центра Сколтеха Татьяна Подладчикова.
|
|
|
|
В опубликованном исследовании ученые применили искусственный интеллект для получения оценки качества, аналогичной человеческой интерпретации: была разработана нейронная сеть для изучения характеристик высококачественных изображений и оценки отклонения реальных наблюдений от идеального эталона. Подход ученых основан на генеративных состязательных сетях (GAN), которые обычно используются для генерации синтетических изображений.
|
|
|
|
Например, создание реалистичных человеческих лиц или перевод карт улиц на спутниковые снимки. Это достигается за счет аппроксимации распределения реальных изображений и отбора из него образцов. Содержание сгенерированного изображения может быть случайным или определяться условным описанием изображения.
|
|
|
|
В данном случае GAN использовали для генерации высококачественных изображений из описания содержания того же изображения. Следовательно, нейронная сеть сначала извлекает важные характеристики высококачественного изображения, такие как положение и внешний вид солнечных элементов, а затем генерирует исходное изображение из этого сжатого описания. Когда ту же процедуру применяют к изображениям с пониженным качеством, сеть снова кодирует содержимое изображения, но при реконструкции упускает характеристики низкого качества. Это является следствием аппроксимированного распределения изображений GAN, которая может генерировать изображения только высокого качества.
|
|
|
|
«В нашем исследовании мы применили новый метод обработки изображений к солнечным снимкам наземной обсерватории Канцельхох в Австрии и показали, что результат совпадает на 98,5 процентов с результатами оценки наблюдателя. Мы протестировали исходные изображения, получаемые в ходе наблюдения и обнаружили, что нейронная сеть правильно определяет все сильные ухудшения качества, а также позволяет нам выбирать лучшие изображения, что в итоге приводит к созданию более надежной серии наблюдений.
|
|
|
|
Это имеет большое практическое значение для создания будущих сетевых телескопов, поскольку наблюдения из разных мест будет необходимо фильтровать и объединять в реальном времени», – говорит Роберт Яролим, научный сотрудник Университета Граца и первый автор исследования. «В XVII веке Галилео Галилей дерзнул направить свой телескоп на Солнце. И сегодня, в XXI столетии, за Солнцем наблюдают десятки обсерваторий в космосе и на Земле, которые ежедневно передают нам огромное количество ценных данных. С запуском в космос десять лет назад солнечной динамической обсерватории SDO количество космических данных и изображений, передаваемых ежедневно с телескопов на Землю, выросло до 1,5 терабайтов в день – это можно сравнить с загрузкой полмиллиона песен в день.
|
|
|
|
Солнечный телескоп Даниэля К. Иноуйе (DKIST) – самый большой наземный солнечный телескоп в мире с диаметром зеркала четыре метра, уже увидел первый свет в декабре 2019 года и планирует обрабатывать около шести петабайт информации за год. С недавним запуском новаторских миссий к Солнцу, Parker Solar Probe и Solar Orbiter, количество данных, несущих полезное знание, будет только увеличиваться.
|
|
|
|
В наших исследованиях нет проторенных путей. С таким количеством новых данных в день мы просто обязаны изобрести новейшие эффективные методы умной обработки данных для решения важнейших вызовов, стоящих перед человеком. И какие бы ни бушевали бури, мы желаем вам хорошей космической погоды», – говорит профессор Космического центра Сколтеха, соавтор исследования, Татьяна Подладчикова.
|
|
|
|
Метод был разработан с использованием высокопроизводительного кластера Сколтеха в рамках создания интегрированной сетевой группы исследований по солнечной физике (SPRING), которая будет обеспечивать автономный мониторинг Солнца с использованием новейших технологий в области наблюдательной физики Солнца. SPRING является частью проекта SOLARNET, который посвящен подготовке к созданию Европейского солнечного телескопа (EST).
|
|
|
|
Проект поддержан программой Европейского союза по науке и инновациям «Горизонт 2020». Сколтех (Россия) также участвует в инициативе и выступает одним из 35 международных партнеров. В настоящее время авторы исследования продолжают работу над развитием методов обработки изображений для того, чтобы обеспечить непрерывный поток данных с максимально возможным качеством, а также над разработкой программного обеспечения для постоянного и автоматического отслеживания солнечной активности.
|
|
|
|
Источник
|
