Поделиться
Искусственный интеллект помог «навести порядок» в наблюдениях за Солнцем
Ученые разработали метод глубокого обучения, объединивший десятилетия разрозненных наблюдений за Солнцем в единую детализированную модель. Алгоритм корректирует погрешности инструментов, компенсирует их ограничения и позволяет взглянуть на нашу звезду в новом свете. Об этом CNews сообщили представители «Сколтеха».
Солнечные телескопы постоянно совершенствуются, что позволяет получать все более детальные изображения Солнца. Однако с появлением очередного поколения этих приборов возникает и новая проблема — учет различий в получаемых данных: сравнивать самые последние наблюдения и исторические, охватывающие порой несколько десятилетий, становится все труднее. Кроме того, из-за несоответствий в разрешении, калибровке приборов и качестве данных возникают сложности при изучении долговременных изменений на Солнце и редких солнечных явлений.
Ученые из Грацского университета в Австрии и их коллеги из Сколковского института науки и технологий («Сколтех») в России и Высокогорной обсерватории Национального центра атмосферных исследований США (HAO NSF NCAR) разработали новую систему методов глубокого обучения (Instrument-To-Instrument translation — ITI), которая помогает решить проблему различий между историческими и новыми наблюдениями. Результаты исследования опубликованы в журнале Nature Communications.
«Используя генеративные состязательные сети, мы разработали метод, позволяющий транслировать данные наблюдений за Солнцем с одного прибора на другой, даже если эти приборы никогда не использовались одновременно», — сказал сотрудник Высокогорной обсерватории Национального центра атмосферных исследований США и первый автор исследования Роберт Яролим. С помощью предложенного метода система на базе ИИ способна выявлять и переносить свойства самых последних наблюдений на более старые данные.
Архитектура модели основана на двух соперничающих нейросетях: первая искусственно ухудшает качество изображений, вторая — восстанавливает их до эталонного уровня. Методика использует реальные наблюдения, точно моделируя специфические искажения каждого инструмента. Обученная таким образом система преобразует старые зашумленные данные в изображения высокого разрешения, сопоставимые с современными космическими наблюдениями. При этом алгоритм сохраняет все физически значимые детали, что критически важно для научного анализа долгосрочной эволюции Солнца.
Предложенная методика была опробована на нескольких наборах данных: так, с ее помощью удалось объединить данные за 24 года космических наблюдений, повысить разрешение снимков полного диска Солнца, снизить атмосферный шум в изображениях Солнца, полученных с Земли, и даже оценить величину магнитных полей на дальней стороне Солнца с использованием только данных наблюдений в экстремальном ультрафиолете.
«ИИ не может заменить реальные наблюдения, но он может помочь извлечь максимум полезной информации из уже существующих данных, — сказал Яролим. — В этом ключевая практическая ценность нашего метода». Совмещая современные высококачественные наблюдения с историческими данными, алгоритм создает единую согласованную картину. Такой подход не просто улучшает старые снимки — он открывает новые возможности для изучения долгосрочной эволюции Солнца.
«Этот проект наглядно показывает, как современные вычисления могут вдохнуть новую жизнь в архивные данные, — сказала соавтор исследования, директор Центра системного проектирования «Сколтеха», доцент «Сколтеха» Татьяна Подладчикова. — Наша работа выходит за рамки простого улучшения старых изображений: мы создаем универсальный язык для изучения эволюции Солнца. Благодаря высокопроизводительным вычислениям «Сколтеха», мы обучили ИИ-модели, которые выявляют скрытые взаимосвязи в десятилетиях солнечных наблюдений, обнаруживая закономерности в масштабе нескольких солнечных циклов. В конечном счете мы строим будущее, где каждое наблюдение — прошлое или будущее — будет говорить на едином научном языке».
Короткая ссылка
