Et solteleskop har et hårdt arbejde. At observere solen tager hårdt på det konstante bombardement af en endeløs strøm af solpartikler og intenst sollys. Over tid begynder de følsomme linser og sensorer i solteleskoper at gå i stykker. For at sikre nøjagtigheden af de data, der sendes af sådanne instrumenter, omkalibrerer forskere med jævne mellemrum for at sikre, at de forstår, hvordan instrumentet ændrer sig.
NASA Solar Dynamics Observatory blev åbnet i 2010, eller SDO, har leveret billeder i høj opløsning af Solen i over 10 år. Disse billeder har givet forskerne et detaljeret kig på forskellige solfænomener, der kan forårsage rumvejr og påvirke vores astronauter og teknologi på Jorden og i rummet. Atmospheric Imager Assembly, eller AIA, er et af to billedinstrumenter på SDO, der kontinuerligt ser på Solen og tager billeder i 10 bølgelængder af ultraviolet lys hvert 12. sekund. Dette producerer en enorm mængde information om Solen, men ligesom alle solobservationsinstrumenter nedbrydes AIA over tid, og dataene skal kalibreres ofte.
Siden SDO's opsendelse har forskere brugt raketter til at kalibrere AIA, som er små raketter, der typisk kun bærer nogle få instrumenter og laver korte rumflyvninger - omkring 15 minutter - de flyver over det meste af Jordens atmosfære, hvilket gør det muligt for instrumenterne om bord at se ultraviolette bølgelængder, målt ved AIA. Disse lysbølgelængder absorberes af jordens atmosfære og kan ikke måles fra jorden. For at kalibrere AIA'en satte forskerne et ultraviolet teleskop til den sonderende raket og sammenlignede disse data med AIA-målingerne.
Kalibreringsmetoden med sonderende raket har en række ulemper. Raketterne starter muligvis ikke så ofte, når AIA i stedet konstant kigger på Solen. Det betyder, at der mellem hver kalibrering af sonderaketten er en periode med nedetid, hvor kalibreringen er lidt ude.
NASA virtuel kalibrering
Med disse problemer i tankerne besluttede forskerne at overveje andre muligheder for at kalibrere enheden med henblik på permanent kalibrering. Maskinlæring, en teknik der bruges i kunstig intelligens, ser ud til at passe perfekt. Som navnet antyder, kræver maskinlæring et computerprogram eller en algoritme for at lære at udføre en opgave.
Først skulle forskerne træne en maskinlæringsalgoritme til at genkende solstrukturer og sammenligne dem ved hjælp af AIA-data. For at gøre dette forsyner de algoritmen med billeder opnået under lydkalibreringsflyvninger af raketten og fortæller den, hvor mange kalibreringer de har brug for. Efter nok af disse eksempler giver de algoritmen lignende billeder og ser, om den kan bestemme den nødvendige kalibrering. Givet nok data, lærer algoritmen at bestemme, hvor meget kalibrering der er nødvendig for hvert billede.
Fordi AIA ser på Solen i forskellige bølgelængder af lys, kan forskere også bruge algoritmen til at sammenligne specifikke strukturer ved forskellige bølgelængder og lave mere nøjagtige skøn.
De lærte først algoritmen, hvordan et soludbrud ser ud ved at vise det soludbrud ved alle AIA-bølgelængder, indtil det genkendte soludbrud i alle forskellige typer lys. Når først programmet genkendte et soludbrud uden nogen forringelse, var algoritmen i stand til at bestemme, hvor meget nedbrydningen påvirkede de aktuelle AIA-billeder, og hvor meget kalibrering der var nødvendig for hver.
"Det var en stor begivenhed," sagde Dr. Louis Dos Santos. "I stedet for blot at identificere dem ved samme bølgelængde, identificerer vi strukturer ved forskellige bølgelængder." Det betyder, at forskere kan være mere sikre på kalibreringen bestemt af algoritmen. Faktisk, når man sammenlignede deres virtuelle kalibreringsdata med klingende raketkalibreringsdata, viste maskinlæringsprogrammet sig at være i top. Med denne nye proces er forskerne klar til løbende at kalibrere AIA-billeder mellem kalibreringsraketflyvninger, hvilket øger nøjagtigheden af SDO-data for forskere.
Læs også: