Un grupo de investigadores está utilizando técnicas de inteligencia artificial para calibrar algunas de las imágenes del Sol de la NASA, lo que ayuda a mejorar los datos que utilizan los científicos para la investigación solar. La nueva técnica fue publicada en la revista Astronomía y Astrofísica 13 de abril de 2021.

Un telescopio solar tiene un trabajo duro. Ver el sol pasa factura, con el bombardeo constante de una corriente interminable de partículas solares y una luz solar intensa. Con el tiempo, las lentes sensibles y los sensores de los telescopios solares comienzan a degradarse. Para garantizar que los datos devueltos por estos instrumentos sean siempre precisos, los científicos recalibran periódicamente para asegurarse de que comprenden exactamente cómo está cambiando el instrumento.

Lanzado en 2010, el Observatorio de Dinámica Solar de la NASA, o SDO, ha estado proporcionando imágenes del Sol en alta definición durante más de una década. Sus imágenes han brindado a los científicos información detallada sobre varios fenómenos solares que pueden desencadenar el clima espacial y afectar a nuestros astronautas y tecnología en la Tierra y en el espacio. El Atmospheric Imaging Assembly, o AIA, es uno de los dos instrumentos de imágenes en SDO y está constantemente mirando al Sol, tomando imágenes en 10 longitudes de onda de luz ultravioleta cada 12 segundos. Esto crea una gran cantidad de información sobre el Sol como ninguna otra, pero, como todos los instrumentos para observar el Sol, el AIA se degrada con el tiempo y los datos deben calibrarse con frecuencia.

Esta imagen muestra siete de las longitudes de onda ultravioleta observadas por la Asamblea de Imágenes Atmosféricas a bordo del Observatorio de Dinámica Solar de la NASA. La fila superior representa las observaciones tomadas desde mayo de 2010 y la fila inferior muestra las observaciones de 2019, sin ninguna corrección, mostrando cómo el instrumento se ha degradado con el tiempo. Crédito: Luiz Dos Santos / NASA GSFC

Desde el lanzamiento de SDO, los científicos han utilizado cohetes de sondeo para calibrar el AIA. Los cohetes de sondeo son cohetes más pequeños que generalmente transportan solo unos pocos instrumentos y realizan vuelos cortos al espacio, generalmente solo 15 minutos. Es importante destacar que los cohetes sonoros vuelan sobre la mayor parte de la atmósfera de la Tierra, lo que permite que los instrumentos a bordo vean las longitudes de onda ultravioleta medidas por AIA. Estas longitudes de onda de luz son absorbidas por la atmósfera terrestre y no pueden medirse desde el suelo. Para calibrar el AIA, adjuntan un telescopio ultravioleta a un cohete sonda y comparan estos datos con las mediciones del AIA. Luego, los científicos pueden hacer ajustes para tener en cuenta cualquier cambio en los datos de AIA.

El método de calibración del cohete sonoro tiene ciertos inconvenientes. Los cohetes sonoros solo se pueden lanzar con tanta frecuencia, pero AIA está constantemente mirando al sol. Esto significa que hay un tiempo de inactividad en el que la calibración se desvía ligeramente entre cada calibración de cohete sonora.

«Esto también es importante para las misiones del espacio profundo, que no tendrán la capacidad de calibrar un cohete que suene», dijo el Dr. Luiz Dos Santos, físico solar del Centro de Vuelo Espacial Goddard de la NASA en Greenbelt, Maryland, y autor principal del artículo. “Estamos abordando dos problemas al mismo tiempo.

Calibración virtual

Con estos desafíos en mente, los científicos decidieron explorar otras opciones para calibrar el instrumento, con miras a una calibración constante. El aprendizaje automático, una técnica utilizada en inteligencia artificial, parecía encajar perfectamente.

Como sugiere el nombre, el aprendizaje automático requiere un programa de computadora, o algoritmo, para aprender a realizar su tarea.

Sol visto por AIA en luz 304 Angstrom en 2021 antes de la corrección de degradación (ver imagen a continuación con correcciones de una calibración de sonda de cohete). Crédito: NASA GSFC

Primero, los investigadores tuvieron que entrenar un algoritmo de aprendizaje automático para reconocer estructuras solares y cómo compararlas usando datos AIA. Lo hacen dando al algoritmo imágenes de vuelos de calibración de cohetes sonoros y diciéndole la cantidad correcta de calibración que necesitan. Después de suficientes de estos ejemplos, le dan al algoritmo imágenes similares y ven si identificaría la calibración correcta necesaria. Con suficientes datos, el algoritmo aprende a identificar la cantidad de calibración necesaria para cada imagen.

Sol visto por AIA en una luz de 304 Angstrom en 2021 con correcciones de la calibración de un cohete sonoro (ver imagen anterior antes de la corrección de degradación). Crédito: NASA GSFC

Debido a que AIA mira al Sol en múltiples longitudes de onda de luz, los investigadores también pueden usar el algoritmo para comparar estructuras específicas en longitudes de onda y fortalecer sus evaluaciones.

Para empezar, le enseñarían al algoritmo cómo se veía una llamarada solar mostrándole llamaradas solares en todas las longitudes de onda AIA hasta que reconociera las llamaradas solares en todos los tipos de luz. Una vez que el programa puede reconocer una llamarada solar sin ninguna degradación, el algoritmo puede determinar el grado de degradación que afecta a las imágenes AIA actuales y la cantidad de calibración necesaria para cada una.

«Fue la gran cosa», dijo Dos Santos. «En lugar de simplemente identificarlo en la misma longitud de onda, estamos identificando estructuras en todas las longitudes de onda».

Esto significa que los investigadores pueden tener más confianza en la calibración identificada por el algoritmo. De hecho, al comparar sus datos de calibración virtual con los datos de calibración de cohetes sonoros, el programa de aprendizaje automático fue perfecto.

Con este nuevo proceso, los investigadores están listos para calibrar continuamente imágenes AIA entre vuelos de cohetes de calibración, mejorando así la precisión de los datos SDO para los investigadores.

Aprendizaje automático más allá del sol

Los investigadores también utilizaron el aprendizaje automático para comprender mejor las condiciones más cercanas a casa.

Un grupo de investigadores dirigido por el Dr. Ryan McGranaghan, científico de datos sénior e ingeniero aeroespacial de ASTRA LLC y del Centro de vuelos espaciales Goddard de la NASA – aprendizaje automático de segunda mano para comprender mejor el vínculo entre el campo magnético de la Tierra y la ionosfera, la parte cargada eléctricamente de la atmósfera superior de la Tierra. Usando técnicas de ciencia de datos para grandes volúmenes de datos, podrían aplicar técnicas de aprendizaje automático para desarrollar un modelo más reciente que les ayudó a comprender mejor cómo las partículas energizadas del espacio llueven en el aire. La atmósfera de la Tierra, donde determinan el clima espacial.

A medida que avance el aprendizaje automático, sus aplicaciones científicas se expandirán a más y más misiones. Mirando hacia el futuro, esto puede significar que las misiones en el espacio profundo, que van a lugares donde los vuelos de cohetes de calibración no son posibles, aún se pueden calibrar y continuar proporcionando datos precisos, incluso alejándose cada vez más de la Tierra o de cualquier estrella.

Referencia: «Autocalibración multicanal para ensamblaje de imágenes atmosféricas mediante aprendizaje automático» por Luiz FG Dos Santos, Souvik Bose, Valentina Salvatelli, Brad Neuberg, Mark CM Cheung, Miho Janvier, Meng Jin, Yarin Gal, Paul Boerner y Atılım Güneş Baydin, 13 de abril , 2021, Astronomía y Astrofísica.
DOI: 10.1051 / 0004-6361 / 202040051