L’intelligence artificielle aide à améliorer les yeux de la NASA sur le soleil

La rangée supérieure d’images montre la dégradation du canal de 304 angströms d’AIA au cours des années depuis le lancement de SDO. La rangée d’images du bas est corrigée de cette dégradation à l’aide d’un algorithme d’apprentissage automatique. Crédit : Luiz dos Santos/NASA GSFC

Un groupe de chercheurs utilise des techniques d’intelligence artificielle pour calibrer certaines des images du soleil de la NASA, contribuant ainsi à améliorer les données utilisées par les scientifiques pour la recherche sur l’énergie solaire. La nouvelle technologie a été publiée dans le magazine Astronomie et astrophysique Le 13 avril 2021.

Le télescope solaire a une tâche difficile. Regarder le soleil coûte cher, avec un bombardement constant par un flux incessant de particules solaires et une lumière solaire intense. Au fil du temps, les lentilles et capteurs sensibles des télescopes solaires commencent à se détériorer. Pour s’assurer que les données envoyées par ces instruments restent exactes, les scientifiques recalibrent périodiquement pour s’assurer qu’ils comprennent exactement comment l’instrument change.

Lancé en 2010, le Solar Dynamics Observatory, ou SDO, de la NASA fournit des images haute résolution du soleil depuis plus d’une décennie. Ses photographies ont donné aux scientifiques un aperçu détaillé des divers phénomènes solaires qui peuvent perturber la météo spatiale et affecter les astronautes et la technologie sur Terre et dans l’espace. L’Aerial Imagery Array, ou AIA, est l’un des deux outils d’imagerie sur SDO et regarde constamment le soleil, prenant des photos sur 10 longueurs d’onde de lumière ultraviolette toutes les 12 secondes. Cela crée une richesse inégalée d’informations sur le Soleil, mais – comme tous les instruments d’observation du soleil – l’AIA se détériore avec le temps et les données doivent être calibrées fréquemment.

Cette image montre sept des longueurs d’onde ultraviolettes observées par l’Aerial Imaging Society à bord du Solar Dynamics Observatory de la NASA. La ligne du haut contient les notes de mai 2010 et la ligne du bas montre les notes de 2019, sans aucune correction, montrant comment l’outil s’est détérioré au fil du temps. Crédit : Luiz dos Santos/NASA GSFC

Depuis le lancement du SDO, les scientifiques ont utilisé des fusées-sondes pour calibrer l’AIA. Les fusées-sondes sont des fusées plus petites qui ne transportent généralement que quelques instruments et effectuent de courts voyages dans l’espace – généralement seulement 15 minutes. Surtout, les fusées-sondes survolent la majeure partie de l’atmosphère terrestre, permettant aux instruments embarqués de voir les longueurs d’onde ultraviolettes mesurées par l’AIA. Ces longueurs d’onde de la lumière sont absorbées par l’atmosphère terrestre et ne peuvent pas être mesurées depuis la Terre. Pour calibrer AIA, ils connecteront un télescope ultraviolet à une fusée-sonde et compareront ces données avec les mesures d’AIA. Les scientifiques peuvent ensuite effectuer des ajustements pour tenir compte de tout changement dans les données de l’AIA.

Il y a quelques défauts dans la méthode d’étalonnage du missile de sondage. Les fusées-sondes ne peuvent être lancées que si souvent, mais l’AIA est constamment à la recherche du soleil. Cela signifie qu’il y a un temps d’arrêt où l’étalonnage est légèrement décalé entre chaque étalonnage de missile de sondage.

« C’est également important pour les missions dans l’espace lointain, qui n’auraient pas la possibilité de sonder pour calibrer les fusées », a déclaré le Dr Luis dos Santos, héliophysicien au Goddard Space Flight Center de la NASA à Greenbelt, Maryland et auteur principal du document de recherche. « Nous nous attaquons à deux problèmes à la fois. »

étalonnage par défaut

Avec ces défis à l’esprit, les scientifiques ont décidé d’envisager d’autres options pour l’étalonnage des appareils, en mettant l’accent sur l’étalonnage continu. L’apprentissage automatique, une approche utilisée en intelligence artificielle, semblait parfaitement convenir.

Comme son nom l’indique, l’apprentissage automatique nécessite un programme informatique ou un algorithme pour apprendre à effectuer sa tâche.

Soleil vu par l’AIA à 304 Å de lumière en 2021 avant correction de la détérioration (voir image ci-dessous avec les corrections d’un calibrage de fusée-sonde). Crédit : NASA GSFC

Tout d’abord, les chercheurs devaient former un algorithme d’apprentissage automatique pour reconnaître les structures solaires et comment elles se comparent à l’aide des données AIA. Pour ce faire, ils donnent à l’algorithme des images des vols d’étalonnage du missile de sondage et leur indiquent la bonne quantité d’étalonnage dont ils ont besoin. Après suffisamment de ces exemples, ils donnent à l’algorithme des images similaires et voient s’il déterminera le bon étalonnage requis. Avec suffisamment de données, l’algorithme apprend à déterminer la quantité d’étalonnage requise pour chaque image.

Le Soleil a été vu par l’AIA à une lumière de 304 A en 2021 avec des corrections de l’étalonnage de la fusée-sonde (voir l’image précédente ci-dessus avant la correction de la détérioration). Crédit : NASA GSFC

Étant donné que l’AIA regarde le Soleil à plusieurs longueurs d’onde de la lumière, les chercheurs peuvent également utiliser l’algorithme pour comparer des structures spécifiques à travers les longueurs d’onde et améliorer leurs évaluations.

Pour commencer, ils apprendront à l’algorithme à quoi ressemble une éruption solaire en montrant les éruptions solaires sur toutes les longueurs d’onde AIA afin qu’il puisse identifier les éruptions solaires dans tous les types de lumière. Une fois que le logiciel peut identifier l’éruption solaire sans aucune dégradation, l’algorithme peut alors déterminer dans quelle mesure la dégradation affecte les images AIA existantes et quel étalonnage est requis pour chacune.

« C’était la chose importante », a déclaré dos Santos. « Au lieu de simplement l’identifier à la même longueur d’onde, nous identifions les structures à travers les longueurs d’onde. »

Cela signifie que les chercheurs peuvent être plus sûrs de l’étalonnage défini par l’algorithme. En fait, en comparant leurs données d’étalonnage hypothétiques aux données d’étalonnage du missile de sondage, le logiciel d’apprentissage automatique était sur place.

Avec ce nouveau processus, les chercheurs se préparent à étalonner en permanence les images AIA entre les vols de fusée d’étalonnage, améliorant ainsi la précision des données SDO des chercheurs.

L’apprentissage automatique derrière le soleil

Les chercheurs utilisent également l’apprentissage automatique pour mieux comprendre les conditions proches de chez eux.

Un groupe de chercheurs, dirigé par le Dr Ryan McGrangan – scientifique principal des données et ingénieur spatial chez Astra LLC et Goddard Space Flight Center de la NASA – utiliser l’apprentissage automatique Comprendre la relation entre le champ magnétique terrestre et l’ionosphère, la partie électriquement chargée de la haute atmosphère terrestre. En utilisant des techniques de science des données pour de grands volumes de données, ils peuvent appliquer des techniques d’apprentissage automatique pour développer un nouveau modèle qui les aide à mieux comprendre comment les particules de la pluie spatiale sont énergisées dans l’atmosphère terrestre, où elles déterminent la météo spatiale.

Au fur et à mesure que l’apprentissage automatique progresse, ses applications scientifiques s’étendront pour inclure de plus en plus de tâches. À l’avenir, cela pourrait signifier que les missions spatiales lointaines – qui se rendent dans des endroits où les fusées d’étalonnage ne peuvent pas être lancées – peuvent toujours être calibrées et continuer à fournir des données précises, même lorsqu’elles se rendent à des distances de plus en plus grandes de la Terre ou de toute étoile.

Référence : « Calibrage automatique multicanal de la compilation d’images aériennes à l’aide de l’apprentissage automatique » par Louise F.J. dos Santos, Sovic Bos, Valentina Salvatelli, Brad Newberg, Mark CM Cheung, Miho Janvier, Meng Jin, Yaren Gall, Paul Boerner et Atilim Gunes Baden 13 avril , 2021, Astronomie et astrophysique.
DOI : 10.1051 / 0004-6361 / 202040051