Un grupo de investigadores está utilizando técnicas de inteligencia artificial para calibrar algunas de las imágenes del Sol de la NASA, lo que ayuda a mejorar los datos que los científicos utilizan para la investigación solar. La nueva técnica se publicó en la revista Astronomy & Astrophysics el 13 de abril de 2021.
Un telescopio solar tiene un trabajo difícil. Mirar fijamente al Sol tiene un precio muy alto, con un bombardeo constante de una corriente interminable de partículas solares y una luz solar intensa. Con el tiempo, las lentes sensibles y los sensores de los telescopios solares comienzan a degradarse. Para garantizar que los datos que envían estos instrumentos sigan siendo precisos, los científicos los re-calibran periódicamente para asegurarse de que comprenden cómo está cambiando el instrumento.
Lanzado en 2010, el Observatorio de Dinámica Solar de la NASA, o SDO, ha proporcionado imágenes del Sol en alta definición durante más de una década. Sus imágenes han dado a los científicos una visión detallada de varios fenómenos solares que pueden provocar cambios en el clima espacial y afectar a nuestros astronautas y tecnología en la Tierra y en el espacio. El Ensamblaje de Imágenes Atmosféricas, o AIA, es uno de los dos instrumentos de imágenes en SDO y mira constantemente al Sol, tomando imágenes en 10 longitudes de onda de luz ultravioleta diferentes cada 12 segundos. Esto crea una gran cantidad de información del Sol como ninguna otra, pero, como todos los instrumentos que miran al Sol, el AIA se degrada con el tiempo y los datos deben calibrarse con frecuencia.
Esta imagen muestra siete de las longitudes de onda ultravioleta observadas por el Ensamblaje de Imágenes Atmosféricas (AIA) a bordo del Observatorio de Dinámica Solar de la NASA. La fila superior son las observaciones tomadas de mayo de 2010 y la fila inferior muestra las observaciones de 2019, sin ninguna corrección, mostrando cómo el instrumento se degradó con el tiempo. Créditos: Luiz Dos Santos / NASA GSFC
Desde el lanzamiento de SDO, los científicos han utilizado cohetes de sondeo para calibrar el AIA. Los cohetes sonda son cohetes más pequeños que, por lo general, solo llevan unos pocos instrumentos y realizan vuelos cortos al espacio, generalmente de solo 15 minutos. Fundamentalmente,estos cohetes vuelan sobre la mayor parte de la atmósfera de la Tierra, lo que permite que los instrumentos a bordo vean las longitudes de onda ultravioleta medidas por el AIA. Estas longitudes de onda de luz son absorbidas por la atmósfera terrestre y no se pueden medir desde el suelo. Para calibrar el AIA, conectarían un telescopio ultravioleta a un cohete sonda y compararían esos datos con las mediciones del AIA. Luego, los científicos pueden hacer ajustes para tener en cuenta cualquier cambio en los datos de AIA.
Hay algunos inconvenientes en el método de calibración del cohete sonda. Los cohetes solo pueden lanzarse muy a menudo, pero AIA está constantemente mirando al Sol. Eso significa que hay un tiempo de inactividad en el que la calibración está ligeramente desviada entre cada lanzamiento de los cohete sonda.
“También es importante para las misiones en el espacio profundo, que no tendrán la opción de calibrar con este tipo de cohetes”, dijo el Dr. Luiz Dos Santos, físico solar del Centro de Vuelo Espacial Goddard de la NASA en Greenbelt, Maryland, y autor principal del artículo. “Estamos abordando dos problemas a la vez”.
Calibración virtual
Con estos desafíos en mente, los científicos decidieron buscar otras opciones para calibrar el instrumento, con miras a la calibración constante. El aprendizaje automático, una técnica utilizada en inteligencia artificial, parecía encajar perfectamente.
Como su nombre lo indica, el aprendizaje automático requiere un programa de computadora, o algoritmo, para aprender a realizar su tarea.
Primero, los investigadores necesitaban entrenar un algoritmo de aprendizaje automático para reconocer estructuras solares y cómo compararlas usando datos AIA. Para hacer esto, le dan al algoritmo imágenes de vuelos de calibración de cohetes sonda y le dicen la cantidad correcta de calibración que necesitan. Después de suficientes de estos ejemplos, le dan al algoritmo imágenes similares y ven si identificaría la calibración correcta necesaria. Con suficientes datos, el algoritmo aprende a identificar cuánta calibración se necesita para cada imagen.
Debido a que AIA mira al Sol en múltiples longitudes de onda de luz, los investigadores también pueden usar el algoritmo para comparar estructuras específicas en las longitudes de onda y fortalecer sus evaluaciones.
Para empezar, le enseñarían al algoritmo cómo se veía una llamarada solar mostrándole llamaradas solares en todas las longitudes de onda de AIA hasta que reconociera las llamaradas solares en todos los diferentes tipos de luz. Una vez que el programa puede reconocer una llamarada solar sin ninguna degradación, el algoritmo puede determinar cuánta degradación está afectando las imágenes actuales de AIA y cuánta calibración se necesita para cada una.
“Esto fue lo más importante”, dijo Dos Santos. “En lugar de simplemente identificarlo en la misma longitud de onda, estamos identificando estructuras a lo largo de las longitudes de onda”.
Esto significa que los investigadores pueden estar más seguros de la calibración que identificó el algoritmo. De hecho, al comparar sus datos de calibración virtual con los datos de calibración de cohetes sonda, el programa de aprendizaje automático acertó.
La fila superior de imágenes muestra la degradación del canal de longitud de onda 304 Angstrom de AIA a lo largo de los años desde el lanzamiento de SDO. La fila inferior de imágenes se corrige para esta degradación mediante un algoritmo de aprendizaje automático. Créditos: Luiz Dos Santos / NASA GSFC
Con este nuevo proceso, los investigadores están preparados para calibrar constantemente las imágenes de AIA entre vuelos de cohetes de calibración, mejorando la precisión de los datos de SDO para los investigadores.
Aprendizaje automático más allá del sol
Los investigadores también han estado utilizando el aprendizaje automático para comprender mejor las condiciones más cercanas a casa.
Un grupo de investigadores dirigido por el Dr. Ryan McGranaghan, científico de datos principal e ingeniero aeroespacial de ASTRA LLC y el Centro de vuelo espacial Goddard de la NASA, utilizó el aprendizaje automático para comprender mejor la conexión entre el campo magnético de la Tierra y la ionosfera (parte cargada eléctricamente de la parte superior de la atmósfera). Al utilizar técnicas de ciencia de datos para grandes volúmenes de datos, podrían aplicar técnicas de aprendizaje automático para desarrollar un modelo más nuevo que les ayudara a comprender mejor cómo las partículas energizadas del espacio llueven hacia la atmósfera de la Tierra, donde impulsan el clima espacial.
A medida que avance el aprendizaje automático, sus aplicaciones científicas se expandirán a más y más misiones. Para el futuro, esto puede significar que las misiones en el espacio profundo, que viajan a lugares donde los vuelos de cohetes de calibración no son posibles, aún se pueden calibrar y continuar brindando datos precisos, incluso cuando se alejan a distancias cada vez mayores de la Tierra o de cualquier estrella.
Fuente: NASA.
