Искусственный интеллект устремляется к солнцу
Ученые из Университета Граца и Солнечной обсерватории Канцельхёэ (Австрия) и их коллеги из Сколковского института науки и технологий (Сколтех) разработали новый метод, основанный на глубоком обучении, для стабильной классификации и количественной оценки качества изображения в наземных полнофункциональных системах. дисковые изображения Солнца. Результаты исследования опубликованы в журнале Астрономия и астрофизика и доступны в открытом доступе.
Солнце - единственная звезда, на которой мы можем различать детали поверхности и изучать плазму в экстремальных условиях. солнечная поверхность и слои атмосферы находятся под сильным влиянием возникающего магнитного поля. Такие особенности, как солнечные пятна, волокна, корональные петли и области пластин, являются прямым следствием распределения усиленных магнитных полей на Солнце, что ставит под сомнение наше нынешнее понимание этих явлений. Солнечные вспышки и корональные выбросы массы возникают в результате внезапного высвобождения свободной магнитной энергии, накопленной в сильных полях, связанных с солнечными пятнами. Это самые энергичные события в нашей солнечной системе, которые оказывают прямое влияние на систему Солнце-Земля, называемую «космической погодой». Современное общество сильно полагается на космические и наземные технологии, которые очень уязвимы к опасным явлениям космической погоды. Непрерывный мониторинг Солнца необходим для лучшего понимания и предсказания солнечных явлений и взаимодействия солнечных извержений с магнитосферой и атмосферой Земли. В последние десятилетия физика Солнца вступила в эру больших данных, и большие объемы данных, постоянно производимые наземными и космическими обсерваториями, больше не могут быть проанализированы одними наблюдателями.
Наземные телескопы размещены по всему земному шару, чтобы обеспечить непрерывный мониторинг Солнца независимо от графика дня и ночи и местных погодных условий. Атмосфера Земли налагает самые сильные ограничения на наблюдения за Солнцем, поскольку облака могут закрывать солнечный диск, а колебания воздуха могут вызывать размытие изображения. Чтобы выбрать лучшие изображения из нескольких одновременных наблюдений и обнаружить локальное ухудшение качества, требуется объективная оценка качества изображения.
«Как люди, мы оцениваем качество реального изображения, сравнивая его с идеальным эталонным изображением Солнца. Например, изображение с облаком перед солнечным диском - серьезное отклонение от нашего воображаемого идеального изображения - было бы помечено как изображение очень низкого качества, тогда как незначительные колебания не так критичны, когда дело доходит до качества. Обычные показатели качества не могут обеспечить оценку качества, независимую от солнечных элементов, и обычно не учитывают облака ", - говорит Татьяна Подладчикова, помощник профессорв Космическом центре Сколтеха (SSC) и соавтор исследования.
В своем недавнем исследовании исследователи использовали искусственный интеллект (ИИ) для получения оценки качества, аналогичной интерпретации человеком. Они использовали нейронная сеть узнать характеристики качественных изображений и оценить отклонение реальных наблюдений от идеального эталона.
В документе описывается подход, основанный на генеративных состязательных сетях (GAN), которые обычно используются для получения синтетических изображений, например, для создания реалистичных человеческих лиц или перевода карт улиц в спутниковые изображения. Это достигается за счет аппроксимации распределения реальных изображений и отбора из него образцов. Содержание сгенерированного изображения может быть случайным или определяться условным описанием изображения. Ученые использовали GAN для создания высококачественных изображений из описания содержимого одного и того же изображения: сеть сначала извлекла важные характеристики высококачественного изображения, такие как положение и внешний вид солнечных элементов, а затем сгенерировала исходное изображение. из этого сжатого описания. Когда эта процедура применяется к изображениям более низкого качества, сеть повторно кодирует содержимое изображения, не допуская при этом низкокачественные особенности восстановленного изображения. Это является следствием приблизительного распределения изображений GAN, который может генерировать изображения только высокого качества. Разница между изображением низкого качества и предполагаемым эталоном высокого качества нейронной сети обеспечивает основу для показателя качества изображения и используется для определения положения эффектов ухудшения качества в изображении.
«В нашем исследовании мы применили этот метод к наблюдениям из обсерватории Канцельхёэ по солнечным и экологическим исследованиям и показали, что он согласуется с наблюдениями человека в 985% случаев. От приложения до нефильтрованных полных дней наблюдений мы обнаружили, что нейронная сеть правильно выявляет все сильные ухудшения качества и позволяет нам выбирать лучшие изображения, что приводит к более надежным сериям наблюдений. Это также важно для будущих сетевых телескопов, где наблюдения с нескольких точек должны быть отфильтрованы и объединены в реальном времени », - говорит Роберт Джаролим, научный сотрудник Университета Граца и первый автор исследования.
«В 17 веке Галилео Галилей первым осмелился взглянуть на Солнце в свой телескоп, а в 21 веке десятки космических и наземных обсерваторий непрерывно отслеживают Солнце, предоставляя нам множество данных о Солнце. Обсерватории солнечной динамики (SDO) 10 лет назад количество солнечных данных и изображений, передаваемых на Землю, выросло до 15 терабайт в день, что эквивалентно ежедневной загрузке полумиллиона песен. Солнечный телескоп Дэниела К. Иноуе, мировой Самый большой наземный солнечный телескоп с апертурой 4 метра сделал первые подробные снимки Солнца в декабре 2019 года и, как ожидается, будет предоставлять шесть петабайт данных в год. Доставка данных о Солнце - крупнейший проект нашего времени с точки зрения общего полученная информация. С недавними запусками новаторских солнечных миссий ParkerSolar Probe и Solar Orbiter, мы будем получать постоянно растущие объемы данных, предлагая новые ценные идеи. В нашем исследовании нет проторенных дорог. Ежедневно поступает так много новой информации, что мы просто должны изобрести новые эффективные методы обработки данных с помощью ИИ, чтобы справиться с самыми серьезными проблемами, стоящими перед человечеством. И какие бы штормы ни бушевали, мы желаем всем хорошей погоды в космосе », - говорит Подладчикова.
Новый метод был разработан при поддержке высокопроизводительного кластера Сколтеха для ожидаемой Интегрированной сетевой группы исследований солнечной физики (SPRING). обеспечивать автономный мониторинг Солнца с использованием передовых технологий наблюдательной физики Солнца. SPRING реализуется в рамках проекта SOLARNET, посвященного инициативе Европейского солнечного телескопа (EST), поддерживаемой программой финансирования исследований и инноваций ЕС Horizon 2020. Сколтех представляет Россия в консорциуме SOLARNET, состоящем из 35 международных партнеров.
В настоящее время авторы продолжают совершенствовать свои методы обработки изображений для обеспечения непрерывного потока данных максимально возможного качества и разрабатывают программное обеспечение автоматического обнаружения для непрерывного отслеживания солнечной активности.
Источник
Ученые из Университета Граца и Солнечной обсерватории Канцельхёэ (Австрия) и их коллеги из Сколковского института науки и технологий (Сколтех) разработали новый метод, основанный на глубоком обучении, для стабильной классификации и количественной оценки качества изображения в наземных полнофункциональных системах. дисковые изображения Солнца. Результаты исследования опубликованы в журнале Астрономия и астрофизика и доступны в открытом доступе.
Солнце - единственная звезда, на которой мы можем различать детали поверхности и изучать плазму в экстремальных условиях. солнечная поверхность и слои атмосферы находятся под сильным влиянием возникающего магнитного поля. Такие особенности, как солнечные пятна, волокна, корональные петли и области пластин, являются прямым следствием распределения усиленных магнитных полей на Солнце, что ставит под сомнение наше нынешнее понимание этих явлений. Солнечные вспышки и корональные выбросы массы возникают в результате внезапного высвобождения свободной магнитной энергии, накопленной в сильных полях, связанных с солнечными пятнами. Это самые энергичные события в нашей солнечной системе, которые оказывают прямое влияние на систему Солнце-Земля, называемую «космической погодой». Современное общество сильно полагается на космические и наземные технологии, которые очень уязвимы к опасным явлениям космической погоды. Непрерывный мониторинг Солнца необходим для лучшего понимания и предсказания солнечных явлений и взаимодействия солнечных извержений с магнитосферой и атмосферой Земли. В последние десятилетия физика Солнца вступила в эру больших данных, и большие объемы данных, постоянно производимые наземными и космическими обсерваториями, больше не могут быть проанализированы одними наблюдателями.
Наземные телескопы размещены по всему земному шару, чтобы обеспечить непрерывный мониторинг Солнца независимо от графика дня и ночи и местных погодных условий. Атмосфера Земли налагает самые сильные ограничения на наблюдения за Солнцем, поскольку облака могут закрывать солнечный диск, а колебания воздуха могут вызывать размытие изображения. Чтобы выбрать лучшие изображения из нескольких одновременных наблюдений и обнаружить локальное ухудшение качества, требуется объективная оценка качества изображения.
«Как люди, мы оцениваем качество реального изображения, сравнивая его с идеальным эталонным изображением Солнца. Например, изображение с облаком перед солнечным диском - серьезное отклонение от нашего воображаемого идеального изображения - было бы помечено как изображение очень низкого качества, тогда как незначительные колебания не так критичны, когда дело доходит до качества. Обычные показатели качества не могут обеспечить оценку качества, независимую от солнечных элементов, и обычно не учитывают облака ", - говорит Татьяна Подладчикова, помощник профессорв Космическом центре Сколтеха (SSC) и соавтор исследования.
В своем недавнем исследовании исследователи использовали искусственный интеллект (ИИ) для получения оценки качества, аналогичной интерпретации человеком. Они использовали нейронная сеть узнать характеристики качественных изображений и оценить отклонение реальных наблюдений от идеального эталона.
В документе описывается подход, основанный на генеративных состязательных сетях (GAN), которые обычно используются для получения синтетических изображений, например, для создания реалистичных человеческих лиц или перевода карт улиц в спутниковые изображения. Это достигается за счет аппроксимации распределения реальных изображений и отбора из него образцов. Содержание сгенерированного изображения может быть случайным или определяться условным описанием изображения. Ученые использовали GAN для создания высококачественных изображений из описания содержимого одного и того же изображения: сеть сначала извлекла важные характеристики высококачественного изображения, такие как положение и внешний вид солнечных элементов, а затем сгенерировала исходное изображение. из этого сжатого описания. Когда эта процедура применяется к изображениям более низкого качества, сеть повторно кодирует содержимое изображения, не допуская при этом низкокачественные особенности восстановленного изображения. Это является следствием приблизительного распределения изображений GAN, который может генерировать изображения только высокого качества. Разница между изображением низкого качества и предполагаемым эталоном высокого качества нейронной сети обеспечивает основу для показателя качества изображения и используется для определения положения эффектов ухудшения качества в изображении.
«В нашем исследовании мы применили этот метод к наблюдениям из обсерватории Канцельхёэ по солнечным и экологическим исследованиям и показали, что он согласуется с наблюдениями человека в 985% случаев. От приложения до нефильтрованных полных дней наблюдений мы обнаружили, что нейронная сеть правильно выявляет все сильные ухудшения качества и позволяет нам выбирать лучшие изображения, что приводит к более надежным сериям наблюдений. Это также важно для будущих сетевых телескопов, где наблюдения с нескольких точек должны быть отфильтрованы и объединены в реальном времени », - говорит Роберт Джаролим, научный сотрудник Университета Граца и первый автор исследования.
«В 17 веке Галилео Галилей первым осмелился взглянуть на Солнце в свой телескоп, а в 21 веке десятки космических и наземных обсерваторий непрерывно отслеживают Солнце, предоставляя нам множество данных о Солнце. Обсерватории солнечной динамики (SDO) 10 лет назад количество солнечных данных и изображений, передаваемых на Землю, выросло до 15 терабайт в день, что эквивалентно ежедневной загрузке полумиллиона песен. Солнечный телескоп Дэниела К. Иноуе, мировой Самый большой наземный солнечный телескоп с апертурой 4 метра сделал первые подробные снимки Солнца в декабре 2019 года и, как ожидается, будет предоставлять шесть петабайт данных в год. Доставка данных о Солнце - крупнейший проект нашего времени с точки зрения общего полученная информация. С недавними запусками новаторских солнечных миссий ParkerSolar Probe и Solar Orbiter, мы будем получать постоянно растущие объемы данных, предлагая новые ценные идеи. В нашем исследовании нет проторенных дорог. Ежедневно поступает так много новой информации, что мы просто должны изобрести новые эффективные методы обработки данных с помощью ИИ, чтобы справиться с самыми серьезными проблемами, стоящими перед человечеством. И какие бы штормы ни бушевали, мы желаем всем хорошей погоды в космосе », - говорит Подладчикова.
Новый метод был разработан при поддержке высокопроизводительного кластера Сколтеха для ожидаемой Интегрированной сетевой группы исследований солнечной физики (SPRING). обеспечивать автономный мониторинг Солнца с использованием передовых технологий наблюдательной физики Солнца. SPRING реализуется в рамках проекта SOLARNET, посвященного инициативе Европейского солнечного телескопа (EST), поддерживаемой программой финансирования исследований и инноваций ЕС Horizon 2020. Сколтех представляет Россия в консорциуме SOLARNET, состоящем из 35 международных партнеров.
В настоящее время авторы продолжают совершенствовать свои методы обработки изображений для обеспечения непрерывного потока данных максимально возможного качества и разрабатывают программное обеспечение автоматического обнаружения для непрерывного отслеживания солнечной активности.
Источник
Марсоход НАСА Perseverance находится на полпути к Марсу
Все о космосе
Данные Юноны указывают на то, что «спрайты» или «эльфы» резвятся в атмосфере Юпитера
Все о космосе
Геологи моделируют почвенные условия, чтобы помочь выращивать растения на Марсе
Все о космосе
Изображение: Космические эндотелиальные клетки человека
Все о космосе
Метеорит «Огненный шар» содержит нетронутые внеземные органические соединения
Все о космосе
Вода на Луне: исследования раскрывают ее тип и изобилие, что расширяет планы исследований
Все о космосе
Луна богаче водой, чем когда-то думали
Все о космосе
НАСА начнет деликатную укладку образцов астероида OSIRIS-REx
Все о космосе
Tupperware стреляет по звездам с помощью устройства, предназначенного для выращивания овощей в космосе
Все о космосе
SpaceX начинает развертывание Интернета Starlink, надеясь, что это профинансирует полеты на Марс
Все о космосе
| « Март 2023 » | ||||||
|---|---|---|---|---|---|---|
| Пн | Вт | Ср | Чт | Пт | Сб | Вс |
| 1 | 2 | 3 | 4 | 5 | ||
| 6 | 7 | 8 | 9 | 10 | 11 | 12 |
| 13 | 14 | 15 | 16 | 17 | 18 | 19 |
| 20 | 21 | 22 | 23 | 24 | 25 | 26 |
| 27 | 28 | 29 | 30 | 31 | ||