Система глубокого машинного обучения преобразует данные о Солнце за несколько десятилетий в единый массив данных с высоким разрешением. Нейросеть настроит и синхронизирует приборы, преодолеет ограничения и поможет ученым лучше понять нашу материнскую звезду.
По мере совершенствования солнечных телескопов они позволяют получать все более детальные изображения нашей звезды. Но с каждым новым поколением приборов астрономы сталкиваются с несостыковками и противоречиями. Старые наборы данных, которые иногда охватывают несколько десятилетий, трудно «вручную» сравнить с самыми свежими изображениями. Возможность изучать долгосрочные изменения или редкие явления ограничена различиями в разрешении, калибровке и качестве данных.
Ученые из Сколковского института науки и технологий (Сколтех) в сотрудничестве с коллегами из Университета Граца в Австрии и Высотной обсерватории Национального центра атмосферных исследований США разработали новую платформу глубокого обучения, которая помогает преодолеть разрыв между старыми и новыми методами наблюдений. Результаты исследования были опубликованы в журнале Nature Communications.
Используя так называемые генеративно-состязательные сети (generative adversarial networks), ученые разработали метод, который позволяет переносить данные наблюдений за Солнцем с одного прибора на другой, даже если эти приборы никогда не работали одновременно и не синхронизируются обычными средствами.
Этот метод позволяет системе искусственного интеллекта изучать характеристики новейших возможностей наблюдения и передавать эту информацию другим наблюдающим устройствам и обрабатывающим центрам.
Модель работает за счет обучения одной нейронной сети редактированию плохих изображений на основе имеющихся высококачественных, а также второй сети — устранению ошибок при наложении изображений друг на друга. Метод использует полный набор реальных данных о солнечной активности, учитывая инструментальные и методологические различия при наблюдениях.
Затем вторую сеть можно применить к реальным наблюдениям низкого качества, чтобы повысить их разрешение до уровня эталона. Такой подход позволяет преобразовывать зашумленные изображения низкого разрешения в более четкие, сопоставимые с наблюдениями, полученными в ходе последних космических миссий, сохраняя при этом физические особенности старых изображений.
Алгоритмы уже были применены к ряду наборов данных о Солнце, что позволило:
- Объединить разнородные массивы данных космических наблюдений за последние 24 года;
- Повысить разрешения изображений Солнца в полный диск;
- Уменьшить уровень атмосферного шума при наземных наблюдениях Солнца;
- Оценить характеристики магнитных полей на обратной стороне Солнца с использованием данных наблюдений в экстремальном ультрафиолетовом диапазоне.
ИИ не может заменить непосредственные наблюдения, но он может помочь извлечь максимум из данных, которые уже собраны. Дополняя устаревшие данные о Солнце информацией, полученной в ходе недавних наблюдений, можно использовать весь потенциал объединенных наборов данных. Это позволяет получить более целостную картину долгосрочной эволюции нашей изменчивой звезды.
Этот проект демонстрирует, как современные вычисления могут вдохнуть новую жизнь в исторические данные
Работа не ограничивается улучшением старых изображений — астрофизики создают универсальный язык для изучения эволюции Солнца. Благодаря высокопроизводительным вычислительным ресурсам Сколтеха ученые смогли обучить модели ИИ, которые выявляют скрытые связи в данных о Солнце за несколько десятилетий, обнаруживая закономерности в нескольких солнечных циклах.
В конечном счете цель ученых — построить информационную систему, в которой каждое наблюдение, независимо от его даты, может быть описано на одном и том же научном языке.
Ранее мы рассказали об орбитальном солнечном коронографе, который снимает нашу звезду в режиме 24/7.
