태양 망원경은 힘든 일을 합니다. 태양을 관찰하는 것은 끝없는 태양 입자 흐름과 강렬한 햇빛의 끊임없는 폭격에 큰 타격을 줍니다. 시간이 지남에 따라 태양 망원경의 민감한 렌즈와 센서가 고장나기 시작합니다. 이러한 기기에서 전송된 데이터의 정확성을 보장하기 위해 과학자들은 주기적으로 재보정하여 기기가 어떻게 변하고 있는지 이해하도록 합니다.
NASA Solar Dynamics Observatory는 2010년에 문을 열었습니다. S.D.O는 10년 넘게 태양의 고해상도 이미지를 제공하고 있습니다. 이 이미지는 과학자들에게 우주 날씨를 유발하고 지구와 우주의 우주 비행사와 기술에 영향을 미칠 수 있는 다양한 태양 현상에 대한 자세한 정보를 제공했습니다. AIA(Atmospheric Imager Assembly)는 태양을 지속적으로 관찰하는 SDO의 두 이미징 장비 중 하나로 10초마다 자외선의 12개 파장에서 이미지를 촬영합니다. 이것은 태양에 대한 엄청난 양의 정보를 생성하지만 모든 태양 관측 장비와 마찬가지로 AIA는 시간이 지남에 따라 성능이 저하되며 데이터를 자주 보정해야 합니다.
SDO의 출시 이후 과학자들은 AIA를 보정하기 위해 사운딩 로켓을 사용했습니다. AIA는 일반적으로 몇 개의 장비를 운반하고 짧은 우주 비행(약 15분)을 하는 작은 로켓입니다. AIA에서 측정한 자외선 파장 참조. 이러한 파장의 빛은 지구의 대기에 흡수되어 지상에서는 측정할 수 없습니다. AIA를 보정하기 위해 과학자들은 자외선 망원경을 사운딩 로켓에 부착하고 해당 데이터를 AIA 측정값과 비교했습니다.
사운딩 로켓 보정 방법에는 여러 가지 단점이 있습니다. AIA가 대신 지속적으로 태양을 바라보고 있을 때 로켓이 자주 발사되지 않을 수 있습니다. 이는 프로브 로켓의 각 보정 사이에 보정이 약간 벗어난 다운타임 기간이 있음을 의미합니다.
NASA 가상 보정
이러한 문제를 염두에 두고 과학자들은 영구적인 보정을 위해 장치 보정을 위한 다른 옵션을 고려하기로 결정했습니다. 인공 지능에 사용되는 기술인 기계 학습은 완벽하게 맞는 것 같습니다. 이름에서 알 수 있듯이 기계 학습에는 작업 수행 방법을 배우기 위한 컴퓨터 프로그램이나 알고리즘이 필요합니다.
먼저 연구원들은 AIA 데이터를 사용하여 태양 구조를 인식하고 비교하기 위해 기계 학습 알고리즘을 훈련해야 했습니다. 이를 위해 그들은 로켓의 보정 비행 중에 얻은 이미지를 알고리즘에 제공하고 얼마나 많은 보정이 필요한지 알려줍니다. 이러한 예제를 충분히 마친 후 그들은 알고리즘에 유사한 이미지를 제공하고 필요한 보정을 결정할 수 있는지 확인합니다. 충분한 데이터가 주어지면 알고리즘은 각 이미지에 필요한 보정량을 결정하는 방법을 학습합니다.
AIA는 빛의 다른 파장에서 태양을 보기 때문에 연구자들은 알고리즘을 사용하여 다른 파장에서 특정 구조를 비교하고 더 정확한 추정을 할 수 있습니다.
그들은 먼저 모든 다른 유형의 빛에서 태양 플레어를 인식할 때까지 모든 AIA 파장에서 태양 플레어를 보여줌으로써 태양 플레어가 어떻게 생겼는지 알고리즘에 가르쳤습니다. 프로그램이 열화 없이 태양 플레어를 인식하면 알고리즘은 열화가 현재 AIA 이미지에 어느 정도 영향을 미치고 각각에 대해 얼마나 많은 보정이 필요한지 결정할 수 있었습니다.
루이스 도스 산토스 박사는 "큰 행사였다"고 말했다. "동일한 파장에서 그것들을 식별하는 대신 다른 파장에서 구조를 식별합니다." 이것은 연구자들이 알고리즘에 의해 결정된 보정에 대해 더 확신할 수 있음을 의미합니다. 실제로, 가상 보정 데이터를 실제 로켓 보정 데이터와 비교할 때 머신 러닝 프로그램이 최고인 것으로 입증되었습니다. 이 새로운 프로세스를 통해 과학자들은 캘리브레이션 로켓 비행 사이에 AIA 이미지를 지속적으로 캘리브레이션하여 연구원을 위한 SDO 데이터의 정확도를 높일 수 있습니다.
또한 읽기: