L'article décrit une approche basée sur les réseaux antagonistes génératifs (GAN) qui sont couramment utilisés pour obtenir des images synthétiques, par exemple, pour générer des visages humains réalistes ou traduire des plans de rues en images satellites. Ceci est réalisé en approximant la distribution d'images réelles et en prélevant des échantillons à partir de celle-ci. Le contenu de l'image générée peut être soit aléatoire, soit défini par une description conditionnelle de l'image. Les scientifiques ont utilisé le GAN pour générer des images de haute qualité à partir de la description du contenu de la même image :le réseau a d'abord extrait les caractéristiques importantes de l'image de haute qualité, tels que la position et l'apparence des caractéristiques solaires, puis généré l'image originale à partir de cette description compressée. Lorsque cette procédure est appliquée à des images de qualité inférieure, le réseau ré-encode le contenu de l'image, tout en omettant les caractéristiques de faible qualité dans l'image reconstruite. Ceci est une conséquence de la distribution approximative des images par le GAN qui ne peut générer que des images de haute qualité. La différence entre une image de faible qualité et la référence de haute qualité envisagée du réseau neuronal fournit la base d'une métrique de qualité d'image et est utilisée pour identifier la position des effets dégradant la qualité dans l'image.

« Dans notre étude, nous avons appliqué la méthode aux observations de l'observatoire de Kanzelhöhe pour la recherche solaire et environnementale et avons montré qu'elle concorde avec les observations humaines dans 98,5 % des cas. De l'application aux journées complètes d'observation non filtrées, nous avons constaté que le réseau de neurones identifie correctement toutes les fortes dégradations de qualité et nous permet de sélectionner les meilleures images, ce qui se traduit par une série d'observations plus fiable. Ceci est également important pour les futurs télescopes du réseau, où les observations de plusieurs sites doivent être filtrées et combinées en temps réel, " dit Robert Jarolim, chercheur à l'Université de Graz et premier auteur de l'étude.

« Au XVIIe siècle, Galileo Galilei a été le premier à oser regarder le Soleil à travers son télescope, alors qu'au XXIe siècle, des dizaines d'observatoires spatiaux et terrestres suivent en permanence le Soleil, nous fournissant une mine de données solaires. Avec le lancement du Solar Dynamics Observatory (SDO) il y a 10 ans, la quantité de données et d'images solaires transmises à la Terre a grimpé à 1,5 téraoctet par jour, ce qui équivaut à télécharger un demi-million de chansons par jour. Le télescope solaire Daniel K. Inouye, le plus grand télescope solaire au sol au monde avec une ouverture de 4 mètres, a pris les premières images détaillées du Soleil en décembre 2019 et devrait fournir six pétaoctets de données par an. La livraison de données solaires est le plus grand projet de notre époque en termes d'informations totales produites. Avec les récents lancements de missions solaires révolutionnaires, Sonde solaire Parker et orbiteur solaire, nous obtiendrons des quantités toujours croissantes de données offrant de nouvelles informations précieuses. Il n'y a pas de sentiers battus dans notre recherche. Avec tant de nouvelles informations qui arrivent chaque jour, nous devons simplement inventer de nouvelles méthodes efficaces de traitement des données assistées par l'IA pour faire face aux plus grands défis auxquels l'humanité est confrontée. Et quelles que soient les tempêtes qui font rage, nous souhaitons à tous le beau temps dans l'espace, " dit Podladchikova.

La nouvelle méthode a été développée avec le soutien du cluster haute performance de Skoltech pour le groupe de réseau intégré de recherche en physique solaire (SPRING) qui fournira une surveillance autonome du Soleil à l'aide de la technologie de pointe de la physique solaire observationnelle. SPRING se poursuit au sein du projet SOLARNET, qui est dédié à l'initiative European Solar Telescope (EST) soutenue par le programme de financement de la recherche et de l'innovation de l'UE Horizon 2020. Skoltech représente la Russie dans le consortium SOLARNET de 35 partenaires internationaux.

Actuellement, les auteurs perfectionnent leurs méthodes de traitement d'images pour fournir un flux de données continu de la plus haute qualité possible et développent un logiciel de détection automatisé pour le suivi continu de l'activité solaire.