La inteligencia artificial ayuda a mejorar la visión del espacio de la NASA

Degradación de onda de longitud de onda AIA 304 Angstrom

La imagen de arriba muestra la degradación de la onda AIA 304 Angstrom en los años transcurridos desde que se lanzó la SDA. La fila inferior de imágenes se corrige para esta degradación mediante un algoritmo de aprendizaje automático. Préstamo: Luis Dos Santos / NASA GSFC

Un equipo de investigadores está utilizando técnicas de inteligencia artificial para refinar algunas de las imágenes del Sol de la NASA, lo que ayuda a mejorar los datos que los científicos utilizan para la investigación solar. El nuevo equipo fue publicado en la revista. Astronomía ղ astrofísica 13 de abril de 2021.

El telescopio solar hace el trabajo duro. La mirada de Ar está severamente dañada, constantemente bombardeada por la fuerte luz del flujo infinito de partículas de ar. Durante el año, las lentes sensibles y los sensores de los telescopios solares comienzan a descomponerse. Para garantizar que dichos instrumentos se devuelvan con precisión, los científicos recalculan periódicamente para asegurarse de que comprenden cómo está cambiando el instrumento.

Lanzado en 2010, el Observatorio de Dinámica Solar de la NASA, o SDO, ha estado proporcionando imágenes del Sol de alta resolución durante más de una década. Sus imágenes han llevado a los científicos a estudiar en detalle varios fenómenos solares que podrían provocar el clima espacial, afectar a nuestros astronautas, la tecnología en la Tierra y el espacio. Atmospheric Imaging, o AIA, es una de las dos herramientas de imágenes de SDO, que mira constantemente al Sol y captura imágenes cada 10 segundos a una longitud de onda de 10 rayos ultravioleta. Esto crea información rica sobre la RA como ninguna otra, pero como todas las herramientas de apariencia RA, AHA se degrada con el tiempo, por lo que los datos deben actualizarse con frecuencia.

Conjunto de imágenes atmosféricas Siete longitudes de onda

Esta imagen muestra las siete longitudes de onda de la luz ultravioleta que fueron observadas por una colección de imágenes atmosféricas en el Observatorio de Dinámica Solar de la NASA. La fila superior son las observaciones tomadas de mayo de 2010, y la fila inferior son las observaciones de 2019 sin ninguna corrección, que muestran cómo la herramienta se ha degradado con el tiempo. Préstamo: Luis Dos Santos / NASA GSFC

Desde el lanzamiento del SDO, los científicos han utilizado misiles sónicos para calibrar el AIA. Los misiles de sonido son misiles más pequeños que, por lo general, solo requieren unos pocos instrumentos y realizan vuelos cortos, generalmente de solo 15 minutos. Es muy posible que los cohetes de sonido vuelen sobre la mayor parte de la atmósfera de la Tierra, permitiendo que los instrumentos a bordo vean las longitudes de onda ultravioleta medidas por el AIA. Las longitudes de onda de esta luz son absorbidas por la atmósfera terrestre y no se pueden medir desde el suelo. Para calibrar el AIA, conectaron un telescopio UV al cohete de sondeo, comparándolo con las mediciones del AIA. Luego, los científicos pueden hacer ajustes a cualquier cambio en los datos de AIA.

READ  Esta nueva foto del Hubble revela un dramático evento espacial con todos sus terroríficos detalles

Hay algunos inconvenientes en la calibración de un cohete con sonda. Los cohetes de sonido solo se pueden disparar con cierta frecuencia, pero la AIA está constantemente mirando al sol. Esto significa que hay un mal funcionamiento cuando la calibración está ligeramente desviada entre cada prueba de misiles que suena.

«Esto es importante para las misiones del espacio profundo que no podrán refinar cohetes», dijo la Dra. Louise Dos Santos, física del Centro de Vuelo Espacial Godbard de la NASA en Greenbelt, Maryland, y editora en jefe del periódico. «Resolvemos dos problemas a la vez».

Calibre virtual

Dados estos desafíos, los científicos decidieron buscar otras formas de calibrar la herramienta con miras a una calibración continua. El aprendizaje automático, una técnica utilizada en inteligencia artificial, parecía encajar perfectamente.

El nombre implica que el aprendizaje automático requiere un programa o algoritmo informático para aprender a realizar su tarea.

Sun AIA 2021:

Ar, visto por la AIA a la luz de Angltrom en 304, en 2021, antes de la corrección de degradación (ver imagen a continuación con correcciones al sonido del cohete). Préstamo: NASA GSFC

Primero, los investigadores necesitaban desarrollar un algoritmo de aprendizaje automático para identificar estructuras sanguíneas y compararlas utilizando datos AIA. Para hacer esto, dan imágenes del algoritmo de los vuelos de calibración de misiles de sonido y dicen qué tan precisos son. Después de un número suficiente de estos ejemplos, le dan al algoritmo imágenes similares և compruebe si revelará la calibración correcta necesaria. Con suficientes datos, el algoritmo aprende cuánta precisión se necesita para cada imagen.

Sun AIA 2021 Dirigido a:

Ar vio el AIA a la luz de 304 Angstrom en 2021 con correcciones de ajuste de cohete de sonido (consulte la imagen anterior antes de la corrección de degradación). Préstamo: NASA GSFC

Debido a que el AIA mira al Sol en múltiples longitudes de onda de luz, los investigadores también pueden usar el algoritmo para comparar estructuras específicas en longitudes de onda para mejorar sus estimaciones.

READ  El rover Perseverance Mars de la NASA golpea "acantilados de mascotas"

Para empezar, le enseñarían al algoritmo cómo se ve una llamarada solar mostrándola en todas las longitudes de onda de la longitud de onda AIA antes de que reconozca las erupciones solares en todos los diferentes tipos de luz. Una vez que el programa es capaz de detectar la llamarada sin ninguna degradación, el algoritmo puede determinar cuánto está afectando la degradación a las imágenes AAA actuales y cuánto está comprobando para cada una.

«Eso fue lo más importante», dijo Dos Santos. «En lugar de simplemente identificarlo en la misma longitud de onda, identificamos las estructuras a lo largo de la onda».

Esto significa que los investigadores pueden tener más confianza al calibrar un algoritmo determinado. De hecho, al comparar sus datos de calibración virtual con los datos de calibración de sonido, el programa de aprendizaje automático estaba en su lugar.

Con este nuevo proceso, los investigadores están listos para probar continuamente imágenes AIA a través de vuelos de misiles de calibre, mejorando la precisión de los datos SDO para los investigadores.

Aprendizaje automático más allá

Los investigadores también utilizaron el aprendizaje automático para comprender mejor las condiciones en el hogar.

Un equipo de investigadores dirigido por el Dr. Ryan McGranaghan, ASTRA LLC տվյալների Científico de datos del Centro de vuelos espaciales Goddard de la NASA և Ingeniero aeroespacial – aprendizaje automático usado para comprender mejor la conexión entre el campo magnético de la ionosfera y la parte cargada eléctricamente de la atmósfera superior de la Tierra. Usando técnicas de ciencia de datos para grandes volúmenes de datos, podrían desarrollar técnicas de aprendizaje automático para desarrollar un modelo más nuevo que los ayudaría a comprender mejor cómo las partículas de energía cósmica caen de la lluvia a la atmósfera de la Tierra mientras viajan por el espacio.

READ  La NASA retrasará el regreso de la muestra de Marte a un enfoque de aterrizaje dual

Con el avance del aprendizaje automático, sus aplicaciones científicas se extenderán a más y más misiones. Para el futuro, esto podría significar que las misiones en el espacio profundo que se dirigen a lugares donde no se pueden volar cohetes de calibre aún se pueden ajustar para mantener datos precisos, incluso cuando se alejan cada vez más de la Tierra o de cualquier estrella.

Referencia. Luiz FG Dos Santos, Souvik Bose, Valentina Salvatelli, Brad Neuberg, Mark CM Cheung, Miho Janvier, Meng Jin, Yarin Gal, Paul Boerner և Atılım Guneş Baydin Abril de 2021, Astronomía ղ astrofísica,
DOI: 10.1051 / 0004-6361 / 202040051:

Check Also

El telescopio espacial Webb de la NASA detecta vapor de agua en la zona de formación de planetas rocosos

El telescopio espacial Webb de la NASA detecta vapor de agua en la zona de formación de planetas rocosos

El concepto de este artista muestra la estrella PDS 70 y su disco protoplanetario interno. …

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *