Ett solteleskop har ett tufft jobb. Att observera solen tar hårt på det ständiga bombardementet av en oändlig ström av solpartiklar och intensivt solljus. Med tiden börjar solteleskopens känsliga linser och sensorer att gå sönder. För att säkerställa noggrannheten hos de data som skickas av sådana instrument, kalibrerar forskare med jämna mellanrum för att se till att de förstår hur instrumentet förändras.
NASA Solar Dynamics Observatory öppnades 2010, eller S.D.O, har tillhandahållit högupplösta bilder av solen i över 10 år. Dessa bilder har gett forskare en detaljerad titt på olika solfenomen som kan orsaka rymdväder och påverka våra astronauter och teknik på jorden och i rymden. Atmospheric Imager Assembly, eller AIA, är ett av två bildinstrument på SDO som kontinuerligt tittar på solen och tar bilder i 10 våglängder av ultraviolett ljus var 12:e sekund. Detta producerar en enorm mängd information om solen, men som alla solobservationsinstrument försämras AIA med tiden och data måste kalibreras ofta.
Sedan SDO:s uppskjutning har forskare använt sondraketer för att kalibrera AIA, som är små raketer som vanligtvis bär bara några få instrument och gör korta rymdflygningar - cirka 15 minuter - de flyger över större delen av jordens atmosfär, vilket gör att instrumenten ombord kan se ultravioletta våglängder, mätt med AIA. Dessa ljusvåglängder absorberas av jordens atmosfär och kan inte mätas från marken. För att kalibrera AIA fäste forskarna ett ultraviolett teleskop till sondraketen och jämförde dessa data med AIA-mätningarna.
Kalibreringsmetoden för sondraketer har ett antal nackdelar. Raketerna kanske inte skjuter upp lika ofta när AIA istället ständigt tittar på solen. Det betyder att det mellan varje kalibrering av sondraketen finns en period av stillestånd där kalibreringen är något avstängd.
NASA virtuell kalibrering
Med tanke på dessa problem beslutade forskarna att överväga andra alternativ för att kalibrera enheten med sikte på permanent kalibrering. Maskininlärning, en teknik som används inom artificiell intelligens, verkar passa perfekt. Som namnet antyder kräver maskininlärning ett datorprogram eller en algoritm för att lära sig hur man utför en uppgift.
Först var forskarna tvungna att träna en maskininlärningsalgoritm för att känna igen solstrukturer och jämföra dem med hjälp av AIA-data. För att göra detta förser de algoritmen med bilder som erhållits under sonderande kalibreringsflygningar av raketen och berättar hur många kalibreringar de behöver. Efter tillräckligt många av dessa exempel matar de algoritmen med liknande bilder och ser om den kan bestämma den nödvändiga kalibreringen. Med tillräckligt med data lär sig algoritmen att bestämma hur mycket kalibrering som behövs för varje bild.
Eftersom AIA tittar på solen i olika våglängder av ljus, kan forskare också använda algoritmen för att jämföra specifika strukturer vid olika våglängder och göra mer exakta uppskattningar.
De lärde först ut algoritmen hur ett solfloss ser ut genom att visa det solflossar på alla AIA-våglängder tills det kände igen solflörter i alla olika typer av ljus. När programmet väl kände igen ett solfloss utan någon försämring kunde algoritmen bestämma hur mycket försämringen påverkade de aktuella AIA-bilderna och hur mycket kalibrering som behövdes för varje.
"Det var en stor händelse", sa Dr Louis Dos Santos. "Istället för att bara identifiera dem vid samma våglängd, identifierar vi strukturer vid olika våglängder." Detta gör att forskare kan vara mer säkra på den kalibrering som bestäms av algoritmen. När de jämförde deras virtuella kalibreringsdata med klingande raketkalibreringsdata visade sig maskininlärningsprogrammet vara på topp. Med denna nya process är forskare redo att kontinuerligt kalibrera AIA-bilder mellan kalibreringsraketflygningar, vilket ökar noggrannheten hos SDO-data för forskare.
Läs också: