Un groupe de chercheurs utilise des techniques d'intelligence artificielle pour calibrer certaines des images du Soleil de la NASA, aider à améliorer les données que les scientifiques utilisent pour la recherche solaire. La nouvelle technique a été publiée dans la revue Astronomie &Astrophysique le 13 avril, 2021.

Un télescope solaire a un travail difficile. Regarder le soleil coûte cher, avec un bombardement constant par un flux sans fin de particules solaires et une lumière solaire intense. Heures supplémentaires, les lentilles sensibles et les capteurs des télescopes solaires commencent à se dégrader. Pour s'assurer que les données renvoyées par ces instruments sont toujours exactes, les scientifiques recalibrent périodiquement pour s'assurer qu'ils comprennent à quel point l'instrument change.

Lancé en 2010, Observatoire de dynamique solaire de la NASA, ou SDO, fournit des images haute définition du Soleil depuis plus d'une décennie. Ses images ont donné aux scientifiques un aperçu détaillé de divers phénomènes solaires qui peuvent déclencher la météo spatiale et affecter nos astronautes et la technologie sur Terre et dans l'espace. L'Assemblée d'imagerie atmosphérique, ou AIA, est l'un des deux instruments d'imagerie sur SDO et regarde constamment le Soleil, prendre des images à travers 10 longueurs d'onde de lumière ultraviolette toutes les 12 secondes. Cela crée une mine d'informations sur le Soleil pas comme les autres, mais, comme tous les instruments d'observation du soleil, l'AIA se dégrade avec le temps, et les données doivent être fréquemment calibrées.

Depuis le lancement de SDO, les scientifiques ont utilisé des fusées-sondes pour calibrer l'AIA. Les fusées-sondes sont des fusées plus petites qui ne transportent généralement que quelques instruments et effectuent de courts vols dans l'espace, généralement seulement 15 minutes. Surtout, des fusées-sondes volent au-dessus de la majeure partie de l'atmosphère terrestre, permettant aux instruments à bord de voir les longueurs d'onde ultraviolettes mesurées par AIA. Ces longueurs d'onde de la lumière sont absorbées par l'atmosphère terrestre et ne peuvent pas être mesurées depuis le sol. Pour calibrer l'AIA, ils fixeraient un télescope ultraviolet à une fusée-sonde et compareraient ces données aux mesures de l'AIA. Les scientifiques peuvent ensuite effectuer des ajustements pour tenir compte de tout changement dans les données de l'AIA.

La méthode d'étalonnage de la fusée-sonde présente certains inconvénients. Les fusées-sondes ne peuvent être lancées que si souvent, mais AIA regarde constamment le Soleil. Cela signifie qu'il y a un temps d'arrêt où l'étalonnage est légèrement décalé entre chaque étalonnage de fusée-sonde.

"C'est aussi important pour les missions dans l'espace lointain, qui n'aura pas la possibilité de sonner l'étalonnage de la fusée, " a déclaré le Dr Luiz Dos Santos, un physicien solaire au Goddard Space Flight Center de la NASA à Greenbelt, Maryland, et auteur principal de l'article. "Nous nous attaquons à deux problèmes à la fois."

Étalonnage virtuel

Avec ces défis à l'esprit, les scientifiques ont décidé d'examiner d'autres options pour calibrer l'instrument, dans un souci d'étalonnage constant. Apprentissage automatique, une technique utilisée en intelligence artificielle, semblait être un ajustement parfait.

Comme le nom l'indique, l'apprentissage automatique nécessite un programme informatique, ou algorithme, pour apprendre à accomplir sa tâche.

D'abord, les chercheurs devaient former un algorithme d'apprentissage automatique pour reconnaître les structures solaires et comment les comparer à l'aide des données AIA. Pour faire ça, ils donnent à l'algorithme des images provenant des vols d'étalonnage des fusées-sondes et lui indiquent la quantité correcte d'étalonnage dont ils ont besoin. Après assez de ces exemples, ils donnent à l'algorithme des images similaires et voient s'il identifierait le bon étalonnage nécessaire. Avec suffisamment de données, l'algorithme apprend à identifier la quantité d'étalonnage nécessaire pour chaque image.

Parce que AIA regarde le Soleil dans plusieurs longueurs d'onde de lumière, les chercheurs peuvent également utiliser l'algorithme pour comparer des structures spécifiques à travers les longueurs d'onde et renforcer ses évaluations.

Commencer, ils enseigneraient à l'algorithme à quoi ressemblait une éruption solaire en lui montrant des éruptions solaires sur toutes les longueurs d'onde d'AIA jusqu'à ce qu'il reconnaisse les éruptions solaires dans tous les différents types de lumière. Une fois que le programme peut reconnaître une éruption solaire sans aucune dégradation, l'algorithme peut alors déterminer l'ampleur de la dégradation affectant les images actuelles d'AIA et la quantité d'étalonnage nécessaire pour chacune.

"C'était la grande chose, " a déclaré Dos Santos. " Au lieu de simplement l'identifier sur la même longueur d'onde, nous identifions des structures à travers les longueurs d'onde."

Cela signifie que les chercheurs peuvent être plus sûrs de l'étalonnage identifié par l'algorithme. En effet, lorsqu'ils comparent leurs données d'étalonnage virtuelles aux données d'étalonnage des fusées-sondes, le programme d'apprentissage automatique était parfait.

Avec ce nouveau procédé, les chercheurs sont prêts à calibrer constamment les images de l'AIA entre les vols de fusée d'étalonnage, améliorer l'exactitude des données de SDO pour les chercheurs.

L'apprentissage automatique au-delà du Soleil

Les chercheurs ont également utilisé l'apprentissage automatique pour mieux comprendre les conditions plus proches de chez eux.

Un groupe de chercheurs dirigé par le Dr Ryan McGranaghan, scientifique principal des données et ingénieur en aérospatiale à ASTRA LLC et au Goddard Space Flight Center de la NASA, a utilisé l'apprentissage automatique pour mieux comprendre le lien entre le champ magnétique terrestre et l'ionosphère, la partie chargée électriquement de la haute atmosphère terrestre. En utilisant des techniques de science des données sur de gros volumes de données, ils pourraient appliquer des techniques d'apprentissage automatique pour développer un modèle plus récent qui les a aidés à mieux comprendre comment les particules sous tension de l'espace pleuvent dans l'atmosphère terrestre, où ils conduisent la météo spatiale.

À mesure que l'apprentissage automatique progresse, ses applications scientifiques s'étendront à de plus en plus de missions. Pour le futur, cela peut signifier que les missions spatiales lointaines - qui se rendent dans des endroits où les vols de fusée d'étalonnage ne sont pas possibles - peuvent toujours être calibrées et continuer à fournir des données précises, même en s'éloignant de plus en plus loin de la Terre ou de toute étoile.