據外媒報導，一組研究人員正在使用AI技術校準NASA的一些太陽圖像以此來説明改善科學家用於太陽研究的數據。 這項新技術於2021年4月13日發表在《Astronomy & Astrophysics》上。 太陽望遠鏡的工作相當艱巨，盯著太陽要付出慘痛的代價，它要面對無休止的太陽粒子流和強烈的陽光。

隨著時間的推移，太陽望遠鏡的敏感鏡頭和感測器開始退化。 為了確保這些儀器發回的數據仍然準確，科學家們需要定期重新校准以確保他們了解儀器是如何變化的。

NASA的太陽動力學觀測站（SDO）於2010年發射，十多年來一直提供太陽的高清圖像。 它的圖像讓科學家們得以詳細觀察各種太陽現象，而這些現象可以引發太空天氣並影響我們的宇航員和地球上和太空中的技術。 大氣圖像元件（AIA）是SDO上的兩個成像儀器之一，它持續觀察太陽，每12秒通過10個波長的紫外線拍攝圖像。 這創造了豐富的太陽資訊，但就像所有凝視太陽的儀器一樣，AIA會隨著時間的推移而退化，數據需要經常校準。

自從SDO發射以來，科學家們已經使用探空火箭來校准AIA。 探空火箭是一種小型火箭、只攜帶少量儀器並進行短暫的太空飛行–通常只有15分鐘。 至關重要的是，探空火箭飛到地球大氣層的大部分上空從而使得上面的儀器能夠看到AIA測量到的紫外線波長。 這些波長的光被地球大氣層吸收、無法從地面測量。 為了校准AIA，科學家將在探空火箭上安裝一個紫外線望遠鏡並將這些數據跟AIA的測量數據進行比較。 然後，科學家可以對AIA數據的任何變化進行調整。

不過探空火箭標定方法存在一些缺陷，雖然它可以發射很多次，但AIA卻是一直在觀察太陽，這意味著在每次探空火箭校準之間有一個校準時間。

“這對深空任務也非常重要，因為深空任務沒有探測火箭校準的選項，”Luiz Dos Santos指出，”我們正在同時解決兩個問題。 “Santos是NASA戈達德太空飛行中心的太陽物理學家，也是這篇論文的首席作者。

虛擬校準

考慮到這些挑戰，科學家們決定尋找其他方法來校準儀器並著眼於持續校準。 AI中使用的機器學習技術似乎是一個完美的選擇。

機器學習，顧名思義，需要一個計算機程式或演算法來學習如何執行它的任務。

首先，研究人員需要訓練一種機器學習演算法來識別太陽結構並如何使用AIA數據進行比較。 為了做到這一點，他們向演算法提供來自探測火箭校准飛行的圖像並告訴它們需要的正確校準量。 在這些例子足夠多之後，他們給演算法提供類似的圖像，看看其是否能識別出所需的正確校準。 有了足夠的數據，演算法就能識別出每幅圖像需要多少校準。

由於AIA在多個波長的光中觀察太陽，所以研究人員還可以使用該演算法來比較不同波長的特定結構並加強其評估。

研究人員通過顯示AIA所有波長的太陽耀斑教授演算法太陽耀斑是什麼樣子並一直到它識別出所有不同類型的光的太陽耀斑。 一旦程式能在沒有任何退化的情況下識別太陽耀斑，演算法就可以確定有多少退化影響了AIA當前的圖像以及需要對每個圖像進行多少校準。

“這是件大事，”Dos Santos表示，”我們不是僅僅在同一波長上識別它而是在不同波長上識別結構。 ”

這意味著研究人員可以更確定演算法識別的校準。 事實上，當將他們的虛擬校準數據跟探空火箭校準數據進行比較時，機器學習程式是正確的。

有了這個新流程，研究人員就可以在校準火箭飛行之間不斷校准AIA的圖像並提高SDO數據的準確性。

太陽之外的機器學習

實際上，研究人員還一直在使用機器學習來更好地瞭解離家更近的情況。

由ASTRA LLC和NASA戈達德太空飛行中心首席數據科學家和航空航天工程師Ryan McGranaghan博士領導的一組研究人員使用機器學習來更好地理解地球磁場和電離層之間的聯繫。 電離層是地球上層大氣的帶電部分。 通過對大量數據使用數據科學技術，他們可以應用機器學習技術來開發一個更新的模型以幫助他們更好地理解來自太空的帶電粒子是如何進入地球大氣層的，在那裡它們驅動著太空天氣。

隨著機器學習的進步，它的科學應用將擴展到了越來越多的任務。 在未來，這可能意味著深空任務–前往那些無法並行校準火箭飛行的地方–仍可以進行校準且繼續提供準確的數據，即使是在離地球或任何恆星越來越遠的地方。