Derin bir öğrenme çerçevesi, onlarca yıllık güneş verilerini birleştirilmiş, yüksek çözünürlüklü bir görünüme dönüştürür-düzeltici enstrümanlar, sınırlamaların üstesinden gelme ve yıldızımızı daha iyi anlamamıza yardımcı olur.
Güneş teleskopları daha sofistike hale geldikçe, en yakın yıldızımızın giderek daha ayrıntılı manzaralarını sunuyorlar. Ancak her yeni nesil enstrümanla, gözlemlerdeki farklılıkların artan zorluklarıyla karşı karşıyayız. Bazen onlarca yıl süren eski veri kümeleri, en son görüntülerle kolayca karşılaştırılamaz. Uzun süreli güneş değişiklikleri veya nadir olayları inceleme yeteneği, çözünürlük, kalibrasyon ve veri kalitesindeki tutarsızlıklarla sınırlıdır.
Graz Üniversitesi, Avusturya Üniversitesi’nden bilim adamları, Skolkovo Bilim ve Teknoloji Enstitüsü’nden (Skoltech), Rusya ve ABD Atmosferik Araştırma Merkezi Yüksek İrtifa Gözlemevi, eski ve yeni gözlemler arasındaki boşlukları köprülemeye yardımcı olan yeni bir derin öğrenme çerçevesi (enstrüman-enstrüman çeviri; ITI) geliştirdi.
Araştırma sonuçları dergide yayınlandı Doğa İletişimi.
“Üretken rakip ağlar (GANS) adı verilen bir yapay zeka kullanarak, güneş gözlemlerini bir enstrümandan diğerine çevirebilen bir yöntem geliştirdik – bu enstrümanlar aynı zamanda asla çalışmasa bile,” diyor Robert Jarolim, Robert Jarolim, NASA Postdoctoral Üyesi Colorado’da (US).
Bu teknik, AI sisteminin en son gözlem yeteneklerinin özelliklerini öğrenmesini ve bu bilgileri eski gözlemlere aktarmasını sağlar.
Model, yüksek kaliteli olanlardan bozulmuş görüntüleri simüle etmek için bir sinir ağı ve sentetik bozulmayı tersine çevirmek için ikinci bir ağ eğitimi alarak çalışır. Özellikle, yöntem gerçek dünyadaki güneş verilerini kullanır ve enstrümantal farklılıkların karmaşıklığını yakalar.
İkinci ağ daha sonra, yüksek kaliteli referans verilerinin kalitesine ve çözünürlüğüne çevirmek için gerçek düşük kaliteli gözlemlere uygulanabilir. Bu yaklaşım gürültülü, düşük çözünürlüklü görüntüleri, son güneş görevlerinden elde edilen gözlemlerle karşılaştırılabilirken, görüntülerdeki fiziksel özellikleri korurken daha net olanlara dönüştürebilir.
Bu çerçeve bir dizi güneş veri kümesine uygulanmıştır: 24 yıllık alan tabanlı gözlemleri birleştirmek, tam diskli güneş görüntülerinin çözünürlüğünü arttırmak, yer tabanlı güneş gözlemlerinde atmosferik gürültüyü azaltmak ve hatta sadece aşırı ultraviyole gözlemlerden elde edilen verileri kullanarak güneşin uzak tarafındaki manyetik alanları tahmin etmek.
Jarolim, “AI gözlemlerin yerini alamaz, ancak daha önce topladığımız verilerden en iyi şekilde yararlanmamıza yardımcı olabilir” diyor. “Bu yaklaşımın gerçek gücü.”
Eski güneş verilerini son gözlem yeteneklerinden gelen bilgilerle geliştirerek, birleşik veri kümelerinin tam potansiyeli kullanılabilir. Bu, dinamik yıldızımızın uzun vadeli evriminin daha tutarlı bir resmini yaratır.
“Bu proje, modern bilgi işlemin tarihsel verilere nasıl yeni bir nefes alabileceğini gösteriyor.”
“Çalışmalarımız eski görüntüleri geliştirmenin ötesine geçiyor-güneşin evrimini zaman içinde incelemek için evrensel bir dil yaratmakla ilgilidir. Skoltech’in yüksek performanslı bilgi işlem kaynakları sayesinde, onlarca yıldır güneş verilerinde gizli bağlantıları ortaya çıkaran AI modellerini eğittik ve birden fazla güneş döngüsünde kalıpları ortaya çıkardık.
“Nihayetinde, geçmiş veya gelecek her gözlemin aynı bilimsel dili konuşabileceği bir gelecek inşa ediyoruz.”
