Root NationBalitabalita sa ITTinutulungan ng artificial intelligence ang NASA sa pag-aaral ng Araw

Tinutulungan ng artificial intelligence ang NASA sa pag-aaral ng Araw

-

Ang isang solar telescope ay may isang mahirap na trabaho. Ang pagmamasid sa Araw ay nakakapinsala sa patuloy na pambobomba ng walang katapusang daloy ng mga solar particle at matinding sikat ng araw. Sa paglipas ng panahon, nagsisimulang masira ang mga sensitibong lente at sensor ng mga solar teleskopyo. Upang matiyak ang katumpakan ng data na ipinadala ng mga naturang instrumento, pana-panahong nagre-recalibrate ang mga siyentipiko upang matiyak na naiintindihan nila kung paano nagbabago ang instrumento.

Ang NASA Solar Dynamics Observatory ay binuksan noong 2010, o S.D.O, ay nagbibigay ng mataas na resolution na mga larawan ng Araw sa loob ng mahigit 10 taon. Ang mga larawang ito ay nagbigay sa mga siyentipiko ng detalyadong pagtingin sa iba't ibang solar phenomena na maaaring magdulot ng lagay ng panahon sa kalawakan at makaapekto sa ating mga astronaut at teknolohiya sa Earth at sa kalawakan. Ang Atmospheric Imager Assembly, o AIA, ay isa sa dalawang instrumento sa imaging sa SDO na patuloy na tumitingin sa Araw, kumukuha ng mga larawan sa 10 wavelength ng ultraviolet light bawat 12 segundo. Gumagawa ito ng napakalaking impormasyon tungkol sa Araw, ngunit tulad ng lahat ng instrumento ng solar observation, ang AIA ay bumababa sa paglipas ng panahon at ang data ay dapat na ma-calibrate nang madalas.

Mga larawan ng Araw ng NASA
Ang larawang ito ay nagpapakita ng 7 ultraviolet wavelength na naobserbahan ng Atmospheric Imager Assembly sakay ng Solar Dynamics Observatory ng NASA. Ang itaas na row ay nagpapakita ng mga obserbasyon na ginawa noong Mayo 2010, habang ang ibabang row ay nagpapakita ng mga obserbasyon mula 2019 nang walang anumang pagwawasto, na nagpapakita kung paano bumababa ang instrumento sa paglipas ng panahon.

Mula nang ilunsad ang SDO, ginamit ng mga siyentipiko ang mga rocket na tumutunog upang i-calibrate ang AIA, na mga maliliit na rocket na karaniwang nagdadala lamang ng ilang instrumento at gumagawa ng mga maiikling paglipad sa kalawakan -- mga 15 minuto -- lumilipad ang mga ito sa itaas ng halos lahat ng atmospera ng Earth, na nagpapahintulot sa mga instrumentong nakasakay sa tingnan ang mga ultraviolet wavelength, na sinusukat ng AIA. Ang mga wavelength ng liwanag na ito ay hinihigop ng atmospera ng Earth at hindi masusukat mula sa lupa. Upang i-calibrate ang AIA, ang mga siyentipiko ay nag-attach ng ultraviolet telescope sa tunog ng rocket at inihambing ang data na iyon sa mga sukat ng AIA.

Ang sounding rocket calibration method ay may ilang disadvantages. Ang mga rocket ay maaaring hindi maglunsad nang kasingdalas kapag ang AIA ay sa halip ay patuloy na tumitingin sa Araw. Nangangahulugan ito na sa pagitan ng bawat pagkakalibrate ng probe rocket ay may panahon ng downtime kung saan bahagyang naka-off ang pagkakalibrate.

Virtual Calibration ng NASA

Sa pag-iingat sa mga problemang ito, nagpasya ang mga siyentipiko na isaalang-alang ang iba pang mga opsyon para sa pag-calibrate ng device para sa permanenteng pagkakalibrate. Ang pag-aaral ng makina, isang pamamaraan na ginagamit sa artificial intelligence, ay tila isang perpektong akma. Gaya ng ipinahihiwatig ng pangalan, ang machine learning ay nangangailangan ng isang computer program o algorithm upang matutunan kung paano magsagawa ng isang gawain.

Mga larawan ng NASA ng Araw
Ipinapakita sa itaas na hilera ng mga larawan ang pagkasira ng 304 Angstrom channel ng AIA sa mga nakaraang taon mula nang ilunsad ang SDO. Ang ibabang hilera ng mga larawan ay itinatama para sa pagkasira na ito gamit ang isang machine learning algorithm.

Una, kinailangan ng mga mananaliksik na sanayin ang isang machine learning algorithm upang makilala ang mga solar structure at ihambing ang mga ito gamit ang AIA data. Upang gawin ito, binibigyan nila ang algorithm ng mga imahe na nakuha sa tunog ng mga flight ng pagkakalibrate ng rocket at sabihin dito kung gaano karaming mga pag-calibrate ang kailangan nila. Pagkatapos ng sapat na mga halimbawang ito, pinapakain nila ang algorithm ng mga katulad na larawan at tingnan kung matutukoy nito ang kinakailangang pagkakalibrate. Dahil sa sapat na data, natututo ang algorithm upang matukoy kung gaano karaming pag-calibrate ang kailangan para sa bawat larawan.

Dahil tinitingnan ng AIA ang Araw sa iba't ibang wavelength ng liwanag, magagamit din ng mga mananaliksik ang algorithm upang ihambing ang mga partikular na istruktura sa iba't ibang wavelength at gumawa ng mas tumpak na mga pagtatantya.

Una nilang itinuro ang algorithm kung ano ang hitsura ng solar flare sa pamamagitan ng pagpapakita nito ng mga solar flare sa lahat ng wavelength ng AIA hanggang sa makilala nito ang mga solar flare sa lahat ng iba't ibang uri ng liwanag. Sa sandaling nakilala ng programa ang isang solar flare nang walang anumang pagkasira, natukoy ng algorithm kung gaano kalaki ang epekto ng pagkasira sa kasalukuyang mga imahe ng AIA at kung gaano karaming pagkakalibrate ang kailangan para sa bawat isa.

"Ito ay isang malaking kaganapan," sabi ni Dr. Louis Dos Santos. "Sa halip na tukuyin lamang ang mga ito sa parehong wavelength, tinutukoy namin ang mga istruktura sa iba't ibang wavelength." Nangangahulugan ito na ang mga mananaliksik ay maaaring maging mas tiwala sa pagkakalibrate na tinutukoy ng algorithm. Sa katunayan, kapag inihambing ang kanilang virtual na data ng pagkakalibrate sa tunog ng data ng pagkakalibrate ng rocket, napatunayang nasa itaas ang programa sa pag-aaral ng makina. Sa bagong prosesong ito, handa ang mga siyentipiko na patuloy na i-calibrate ang mga imahe ng AIA sa pagitan ng mga calibration rocket flight, na nagpapataas ng katumpakan ng data ng SDO para sa mga mananaliksik.

Basahin din:

Jerelophysis
Mag-sign up
Abisuhan ang tungkol sa
bisita

0 Comments
Naka-embed na Mga Review
Tingnan ang lahat ng komento