Искусственный интеллект улучшил фотографии Солнца

Группа исследователей использовала возможности искусственного интеллекта (ИИ) для калибровки изображений Солнца, полученных НАСА. Это улучшит данные, которые ученые анализируют для исследования звезды.

Ученые отметили, что наблюдения за Солнцем - это суровое испытание для устройств, так как они сталкиваются с нескончаемым потоком солнечных частиц и интенсивным светом. Со временем чувствительные линзы и датчики телескопов начинают деградировать. Для гарантии точности данных, которые передают такие приборы, ученые периодически проводят калибровку, чтобы убедиться, что они понимают, как именно интерпретировать информацию.

В первую очередь это касается Обсерватории солнечной динамики НАСА, которая уже больше десяти лет предоставляет изображения Солнца в высоком разрешении. Ее снимки позволили ученым детально рассмотреть различные солнечные явления, которые могут вызвать космическую погоду и повлиять на астронавтов, технологии на Земле и в космосе. Но прибор постоянно приходится калибровать.

Поэтому исследователи обучили алгоритм машинного обучения распознавать солнечные структуры и сравнивать их с данными обсерватории. Для этого они предоставили алгоритму изображения, полученные в ходе калибровочных полетов зондирующей ракеты, и сообщили ИИ о необходимом уровне калибровки. После достаточного количества таких примеров они предоставляют алгоритму аналогичные изображения, чтобы модель сама определила уровень калибровки. При достаточном количестве данных алгоритм сам учится определять, сколько калибровки необходимо для каждого изображения.

Для начала ученые научили алгоритм тому, как выглядит солнечная вспышка, показывая ему солнечные вспышки на всех длинах волн, пока он не распознает эти явления на всех типах света. Как только программа научилась распознавать солнечную вспышку без каких-либо ухудшений, алгоритм сможет определить, насколько сильно ухудшение влияет на текущие изображения и сколько калибровки необходимо для каждого из них.

После этого исследователи могут быть больше уверены в калибровке, которую определил алгоритм. При первых сравнениях данных виртуальной калибровки и ручной калибровки результаты машинного обучения оказались очень точными.