太陽望遠鏡は大変な仕事をしています。 太陽を観察することは、絶え間ない太陽の粒子の流れと強烈な日光の絶え間ない衝撃に大きな打撃を与えます。 時間の経過とともに、太陽望遠鏡の敏感なレンズとセンサーが故障し始めます。 このような機器から送信されるデータの正確性を確保するために、科学者は定期的に再調整して、機器がどのように変化しているかを確実に理解しています。
NASA の太陽力学観測所は 2010 年に開設されました。 S.D.O.は、10 年以上にわたって太陽の高解像度画像を提供してきました。 これらの画像は、宇宙天気を引き起こし、地球上および宇宙の宇宙飛行士や技術に影響を与える可能性のあるさまざまな太陽現象を科学者に詳細に示しています。 Atmospheric Imager Assembly (AIA) は、SDO に搭載された 10 つの画像機器のうちの 12 つで、太陽を継続的に観察し、 秒ごとに 波長の紫外線で画像を撮影します。 これにより、太陽に関する膨大な量の情報が生成されますが、すべての太陽観測機器と同様に、AIA は時間の経過とともに劣化するため、データを頻繁に調整する必要があります。
SDO の打ち上げ以来、科学者は観測ロケットを使用して AIA を調整してきました。AIA は通常、数個の機器を搭載し、短い宇宙飛行 (約 15 分) を行う小さなロケットで、地球の大気のほとんどの上空を飛行します。 AIA によって測定された紫外波長を参照してください。 これらの波長の光は地球の大気に吸収され、地上からは測定できません。 AIA を調整するために、科学者は観測ロケットに紫外線望遠鏡を取り付け、そのデータを AIA の測定値と比較しました。
観測ロケットの較正方法には多くの欠点があります。 AIA が代わりに常に太陽を見ている場合、ロケットはそれほど頻繁に打ち上げられない場合があります。 これは、プローブロケットの各キャリブレーションの間に、キャリブレーションがわずかにずれているダウンタイムの期間があることを意味します。
NASA バーチャル キャリブレーション
これらの問題を念頭に置いて、科学者は恒久的なキャリブレーションを目的として、デバイスをキャリブレーションするための他のオプションを検討することにしました。 人工知能で使用される技術である機械学習は、完璧に適合しているようです。 名前が示すように、機械学習では、タスクの実行方法を学習するコンピューター プログラムまたはアルゴリズムが必要です。
まず、研究者は機械学習アルゴリズムをトレーニングして、太陽の構造を認識し、AIA データを使用してそれらを比較する必要がありました。 これを行うために、彼らはロケットの校正飛行中に得られた画像をアルゴリズムに提供し、必要な校正の回数を伝えます。 これらの例を十分に確認した後、アルゴリズムに同様の画像を送り、必要なキャリブレーションを決定できるかどうかを確認します。 十分なデータが与えられると、アルゴリズムは、各画像に必要なキャリブレーションの量を決定することを学習します。
AIA はさまざまな波長の光で太陽を見るため、研究者はこのアルゴリズムを使用して、さまざまな波長で特定の構造を比較し、より正確な推定を行うこともできます。
彼らはまず、すべての異なる種類の光で太陽フレアを認識するまで、すべての AIA 波長で太陽フレアを示すことによって、太陽フレアがどのように見えるかをアルゴリズムに教えました。 プログラムが劣化のない太陽フレアを認識すると、アルゴリズムは、劣化が現在の AIA 画像にどの程度影響しているか、およびそれぞれに必要なキャリブレーションの程度を判断できました。
「それは大きな出来事でした」とルイス・ドス・サントス博士は言いました。 「同じ波長でそれらを識別するのではなく、異なる波長で構造を識別します。」 これは、研究者がアルゴリズムによって決定されたキャリブレーションに自信を持つことができることを意味します。 実際、仮想キャリブレーション データと観測ロケット キャリブレーション データを比較すると、機械学習プログラムが優れていることが証明されました。 この新しいプロセスにより、科学者はキャリブレーション ロケットのフライト間で AIA 画像を継続的にキャリブレーションする準備が整い、研究者の SDO データの精度が向上します。
また読む: