Et solteleskop har en tøff jobb. Å observere solen tar en toll på det konstante bombardementet av en endeløs strøm av solpartikler og intenst sollys. Over tid begynner de følsomme linsene og sensorene til solteleskoper å bryte sammen. For å sikre nøyaktigheten av dataene som sendes av slike instrumenter, kalibrerer forskere med jevne mellomrom for å sikre at de forstår hvordan instrumentet endrer seg.
NASA Solar Dynamics Observatory ble åpnet i 2010, eller S.D.O, har levert høyoppløselige bilder av solen i over 10 år. Disse bildene har gitt forskere en detaljert titt på ulike solfenomener som kan forårsake romvær og påvirke astronautene våre og teknologien på jorden og i verdensrommet. Atmospheric Imager Assembly, eller AIA, er ett av to bildeinstrumenter på SDO som kontinuerlig ser på solen og tar bilder i 10 bølgelengder med ultrafiolett lys hvert 12. sekund. Dette produserer en enorm mengde informasjon om sola, men som alle solobservasjonsinstrumenter degraderes AIA over tid og dataene må kalibreres ofte.
Siden SDOs oppskyting har forskere brukt raketter med sondering for å kalibrere AIA, som er små raketter som vanligvis bærer bare noen få instrumenter og foretar korte romflyvninger - omtrent 15 minutter - de flyr over det meste av jordens atmosfære, slik at instrumentene om bord kan se ultrafiolette bølgelengder, målt ved AIA. Disse bølgelengdene av lys absorberes av jordens atmosfære og kan ikke måles fra bakken. For å kalibrere AIA festet forskerne et ultrafiolett teleskop til sonderraketten og sammenlignet disse dataene med AIA-målingene.
Kalibreringsmetoden for sonderingsrakett har en rekke ulemper. Rakettene starter kanskje ikke like ofte når AIA i stedet konstant ser på solen. Dette betyr at mellom hver kalibrering av sonderaketten er det en periode med nedetid hvor kalibreringen er litt av.
NASA virtuell kalibrering
Med disse problemene i bakhodet, bestemte forskerne seg for å vurdere andre alternativer for å kalibrere enheten med sikte på permanent kalibrering. Maskinlæring, en teknikk som brukes i kunstig intelligens, ser ut til å passe perfekt. Som navnet antyder, krever maskinlæring et dataprogram eller en algoritme for å lære å utføre en oppgave.
Først måtte forskerne trene en maskinlæringsalgoritme for å gjenkjenne solstrukturer og sammenligne dem ved hjelp av AIA-data. For å gjøre dette forsyner de algoritmen med bilder som er oppnådd under lydkalibreringsflyvninger av raketten og forteller den hvor mange kalibreringer de trenger. Etter nok av disse eksemplene mater de algoritmen lignende bilder og ser om den kan bestemme den nødvendige kalibreringen. Gitt nok data, lærer algoritmen å bestemme hvor mye kalibrering som er nødvendig for hvert bilde.
Fordi AIA ser på solen i forskjellige bølgelengder av lys, kan forskere også bruke algoritmen til å sammenligne spesifikke strukturer ved forskjellige bølgelengder og gjøre mer nøyaktige estimater.
De lærte først algoritmen hvordan en solflamme ser ut ved å vise den solflammer ved alle AIA-bølgelengder til den gjenkjente solflammer i alle forskjellige typer lys. Når programmet gjenkjente en solflamme uten noen degradering, var algoritmen i stand til å bestemme hvor mye nedbrytningen påvirket de nåværende AIA-bildene og hvor mye kalibrering som var nødvendig for hver.
"Det var en stor begivenhet," sa Dr. Louis Dos Santos. "I stedet for bare å identifisere dem på samme bølgelengde, identifiserer vi strukturer på forskjellige bølgelengder." Dette betyr at forskere kan være tryggere på kalibreringen bestemt av algoritmen. Faktisk, når de sammenlignet deres virtuelle kalibreringsdata med klingende rakettkalibreringsdata, viste maskinlæringsprogrammet seg å være på topp. Med denne nye prosessen er forskere klare til å kontinuerlig kalibrere AIA-bilder mellom kalibreringsrakettflyvninger, noe som øker nøyaktigheten til SDO-data for forskere.
Les også: