• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  •  science >> Ciência >  >> Astronomia
    Inteligência artificial mirando o sol

    Observações solares com qualidade de imagem diminuindo da esquerda para a direita. Crédito:Observatório Kanzelhöhe para Pesquisa Solar e Ambiental, Áustria.

    Cientistas da Universidade de Graz e do Observatório Solar Kanzelhöhe (Áustria) e seus colegas do Instituto de Ciência e Tecnologia Skolkovo (Skoltech) desenvolveram um novo método baseado em aprendizagem profunda para classificação estável e quantificação da qualidade de imagem em imagens solares de disco. Os resultados da pesquisa foram publicados na revista. Astronomia e Astrofísica e estão disponíveis via acesso aberto.

    O Sol é a única estrela onde podemos discernir os detalhes da superfície e estudar o plasma em condições extremas. A superfície solar e as camadas atmosféricas são fortemente influenciadas pelo campo magnético emergente. Recursos como manchas solares, filamentos, loops coronais, e as regiões plage são uma consequência direta da distribuição de campos magnéticos intensificados no Sol, que desafia nossa compreensão atual desses fenômenos. As erupções solares e as ejeções de massa coronal resultam de uma liberação repentina de energia magnética livre armazenada nos campos fortes associados às manchas solares. Eles são os eventos mais energéticos em nosso sistema solar e têm um impacto direto no sistema Sol-Terra chamado de 'clima espacial'. A sociedade moderna depende fortemente do espaço e da tecnologia terrestre, que é altamente vulnerável a eventos climáticos espaciais perigosos. O monitoramento contínuo do Sol é essencial para uma melhor compreensão e previsão dos fenômenos solares e da interação das erupções solares com a magnetosfera e a atmosfera da Terra. Nas décadas recentes, a física solar entrou na era do big data, e as grandes quantidades de dados constantemente produzidos por observatórios terrestres e espaciais não podem mais ser analisados ​​apenas por observadores humanos.

    Os telescópios terrestres estão posicionados ao redor do globo para fornecer monitoramento contínuo do Sol, independentemente da programação dia-noite e das condições climáticas locais. A atmosfera da Terra impõe as limitações mais fortes nas observações solares, uma vez que as nuvens podem ocultar o disco solar e as flutuações do ar podem causar o borramento da imagem. A fim de selecionar as melhores imagens de múltiplas observações simultâneas e detectar degradações da qualidade local, avaliação objetiva da qualidade da imagem é necessária.

    "Como humanos, avaliamos a qualidade de uma imagem real comparando-a com uma imagem de referência ideal do Sol. Por exemplo, uma imagem com uma nuvem na frente do disco solar - um grande desvio de nossa imagem imaginária perfeita - seria marcada como uma imagem de qualidade muito baixa, enquanto pequenas flutuações não são tão críticas quando se trata de qualidade. As métricas de qualidade convencionais lutam para fornecer uma pontuação de qualidade independente dos recursos solares e normalmente não levam em conta as nuvens, "diz Tatiana Podladchikova, professor assistente do Skoltech Space Center (SSC) e coautor de pesquisa.

    Em seu estudo recente, os pesquisadores usaram inteligência artificial (IA) para obter uma avaliação de qualidade semelhante à interpretação humana. Eles empregaram uma rede neural para aprender as características de imagens de alta qualidade e estimar o desvio de observações reais de uma referência ideal.

    Séries de observação de um dia com condições atmosféricas variáveis. As observações de baixa qualidade são mostradas em amarelo e as observações de alta qualidade em azul. Observações de alta qualidade podem ser vistas nas lacunas entre as nuvens em transição. Crédito:R. Jarolim et al./ Astronomia e Astrofísica

    O artigo descreve uma abordagem baseada em Redes Adversariais Gerativas (GAN) que são comumente usadas para obter imagens sintéticas, por exemplo, para gerar rostos humanos realistas ou traduzir mapas de ruas em imagens de satélite. Isso é obtido aproximando a distribuição de imagens reais e selecionando amostras delas. O conteúdo da imagem gerada pode ser aleatório ou definido por uma descrição condicional da imagem. Os cientistas usaram o GAN para gerar imagens de alta qualidade a partir da descrição do conteúdo da mesma imagem:a rede primeiro extraiu as características importantes da imagem de alta qualidade, como a posição e aparência de recursos solares, e, em seguida, gerou a imagem original a partir dessa descrição compactada. Quando este procedimento é aplicado a imagens de qualidade inferior, a rede recodifica o conteúdo da imagem, omitindo recursos de baixa qualidade na imagem reconstruída. Isso é consequência da distribuição aproximada de imagens pelo GAN que só pode gerar imagens de alta qualidade. A diferença entre uma imagem de baixa qualidade e a referência de alta qualidade imaginada da rede neural fornece a base para uma métrica de qualidade de imagem e é usada para identificar a posição dos efeitos de degradação da qualidade na imagem.

    "Em nosso estudo, aplicamos o método às observações do Observatório de Pesquisa Solar e Ambiental de Kanzelhöhe e mostramos que ele concorda com as observações humanas em 98,5% dos casos. Desde a aplicação até dias completos de observação não filtrados, descobrimos que a rede neural identifica corretamente todas as fortes degradações de qualidade e nos permite selecionar as melhores imagens, o que resulta em uma série de observação mais confiável. Isso também é importante para futuros telescópios de rede, onde as observações de vários locais precisam ser filtradas e combinadas em tempo real, "diz Robert Jarolim, um cientista pesquisador da Universidade de Graz e o primeiro autor do estudo.

    “No século 17, Galileo Galilei foi o primeiro a ousar olhar para o Sol através de seu telescópio, enquanto no século 21, dezenas de observatórios espaciais e terrestres rastreiam continuamente o Sol, fornecendo-nos uma grande quantidade de dados solares. Com o lançamento do Solar Dynamics Observatory (SDO) há 10 anos, a quantidade de dados e imagens solares transmitidos à Terra subiu para 1,5 terabytes por dia, o que equivale a baixar meio milhão de músicas diariamente. O telescópio solar Daniel K. Inouye, o maior telescópio solar terrestre do mundo com uma abertura de 4 metros, obteve as primeiras imagens detalhadas do Sol em dezembro de 2019 e espera-se que forneça seis petabytes de dados por ano. A entrega solar de dados é o maior projeto da atualidade em termos de total de informações produzidas. Com os recentes lançamentos de missões solares inovadoras, Parker Solar Probe e Solar Orbiter, obteremos quantidades cada vez maiores de dados, oferecendo novos insights valiosos. Não há caminhos batidos em nossa pesquisa. Com tantas informações novas chegando diariamente, simplesmente devemos inventar novos métodos eficientes de processamento de dados auxiliado por IA para lidar com os maiores desafios que a humanidade enfrenta. E sejam quais forem as tempestades que possam assolar, desejamos a todos um bom tempo no espaço, "Podladchikova diz.

    O novo método foi desenvolvido com o apoio do cluster de alto desempenho da Skoltech para o antecipado Grupo de Rede Integrada de Pesquisa em Física Solar (SPRING), que fornecerá monitoramento autônomo do Sol usando tecnologia de ponta de física solar observacional. SPRING é buscado dentro do projeto SOLARNET, que é dedicado à iniciativa European Solar Telescope (EST) apoiado pelo programa de financiamento de pesquisa e inovação da UE Horizon 2020. Skoltech representa a Rússia no consórcio SOLARNET de 35 parceiros internacionais.

    Atualmente, os autores estão elaborando ainda mais seus métodos de processamento de imagem para fornecer um fluxo contínuo de dados da mais alta qualidade possível e desenvolvendo software de detecção automatizada para rastreamento contínuo da atividade solar.


    © Ciência https://pt.scienceaq.com