Ученые разработали метод глубокого обучения, который объединил десятилетия разрозненных данных о Солнце в единую высокоточную модель.
Новый алгоритм не только устраняет погрешности и компенсирует ограничения приборов, но и позволяет взглянуть на нашу звезду с новой научной перспективы.
На изображении представлены случаи, когда различные инструменты наблюдали одни и те же области солнечной поверхности.
Это позволяет сравнивать оригинальные снимки с их улучшенными версиями, созданными с помощью ИИ, и эталонными данными.Пример иллюстрирует снимки от спутника SOHO/EIT, их аналоги, улучшенные методом ITI, и эталонные изображения с SDO/AIA. Три ряда демонстрируют наблюдения солнечного лимба в экстремальном ультрафиолете, активной области и магнитного поля солнечного пятна.
С каждым поколением солнечных телескопов точность наблюдений растет, но вместе с тем возрастает и сложность сопоставления новых данных с архивными. Различия в разрешении, калибровке и качестве затрудняют анализ долгосрочных процессов и редких солнечных явлений.
Чтобы устранить эти расхождения, специалисты из Грацского университета, Сколковского института науки и технологий (Сколтех) и Высокогорной обсерватории Национального центра атмосферных исследований США (HAO NSF NCAR) создали метод под названием Instrument-To-Instrument Translation (ITI).
Он основан на технологиях глубокого обучения и направлен на унификацию данных, полученных с различных инструментов. Результаты опубликованы в журнале Nature Communications.
Как пояснил первый автор работы Роберт Яролим, метод использует генеративные состязательные сети и позволяет «переводить» данные от одного прибора к другому, даже если те не работали одновременно. Благодаря этому алгоритм может переносить свойства современных наблюдений на более старые архивные данные.
Архитектура системы включает две нейросети: одна искусственно снижает качество изображений, а другая восстанавливает их до эталонного уровня.
Таким образом, ИИ учится точно моделировать искажения, характерные для каждого инструмента, и превращать старые снимки в высококачественные изображения, пригодные для научного анализа. При этом сохраняются все значимые физические детали.
Методика была протестирована на множестве данных: с её помощью удалось объединить 24 года наблюдений, повысить чёткость изображений солнечного диска, уменьшить атмосферный шум в наземных снимках и даже оценить магнитные поля на дальней стороне Солнца на основе ультрафиолетовых наблюдений.
По словам Яролима, хотя искусственный интеллект не может заменить реальные наблюдения, он значительно расширяет возможности анализа существующих данных. Это позволяет создать целостную картину солнечной активности, охватывающую как прошлое, так и настоящее.
Соавтор исследования Татьяна Подладчикова отметила, что данный проект демонстрирует, как современные вычислительные методы могут дать «вторую жизнь» архивным данным.
По её словам, разработанный подход позволяет не просто улучшать изображения, а формировать универсальный язык для изучения Солнца. Благодаря вычислительным мощностям Сколтеха, исследователи обучили модели, способные находить скрытые связи между данными, охватывающими несколько солнечных циклов.
Это открывает путь к научному будущему, где любые наблюдения — вне зависимости от времени их получения — будут совместимы и взаимодополняемы.
Свежие комментарии