太陽望遠鏡的工作很艱鉅。 觀察太陽會對源源不斷的太陽粒子流和強烈的陽光的持續轟擊造成影響。 隨著時間的推移，太陽望遠鏡的敏感鏡頭和傳感器開始出現故障。 為確保此類儀器發送的數據的準確性，科學家會定期重新校準，以確保他們了解儀器的變化情況。
美國宇航局太陽動力學天文台於 2010 年開放，或 S.D.O, 10 多年來一直提供高分辨率的太陽圖像。 這些圖像讓科學家們詳細了解了可能導致太空天氣並影響我們的宇航員以及地球和太空技術的各種太陽現象。 大氣成像儀組件 (AIA) 是 SDO 上的兩個成像儀器之一，它連續觀察太陽，每 10 秒以 12 個波長的紫外線拍攝圖像。 這會產生大量關於太陽的信息，但與所有太陽觀測儀器一樣，AIA 會隨著時間的推移而退化，並且必須經常校準數據。
自 SDO 發射以來，科學家們一直在使用探空火箭來校準 AIA，這是一種小型火箭，通常只攜帶少量儀器並進行短時間的太空飛行——大約 15 分鐘——它們在地球大部分大氣層上空飛行，從而使船上的儀器能夠見紫外波長，由 AIA 測量。 這些波長的光被地球大氣層吸收，無法從地面測量。 為了校準 AIA，科學家們在探空火箭上安裝了一台紫外線望遠鏡，並將該數據與 AIA 測量值進行了比較。
探空火箭校準方法有許多缺點。 當 AIA 一直注視著太陽時，火箭可能不會經常發射。 這意味著在探測火箭的每次校準之間都有一段停機時間，校準會稍微偏離。
NASA 虛擬校準
牢記這些問題，科學家們決定考慮校准設備的其他選項，以實現永久校準。 機器學習，一種用於人工智能的技術，似乎非常適合。 顧名思義，機器學習需要計算機程序或算法來學習如何執行任務。
首先，研究人員必須訓練一種機器學習算法來識別太陽結構並使用 AIA 數據進行比較。 為此，他們向算法提供在火箭探測校準飛行期間獲得的圖像，並告訴它需要多少次校準。 在這些示例足夠多之後，他們向算法提供類似的圖像，看看它是否可以確定所需的校準。 給定足夠的數據，該算法會學習確定每個圖像需要多少校準。
由於 AIA 在不同波長的光下觀察太陽，因此研究人員還可以使用該算法來比較不同波長的特定結構並做出更準確的估計。
他們首先通過向算法展示所有 AIA 波長的太陽耀斑，直到它識別出所有不同類型光中的太陽耀斑，從而教給算法太陽耀斑的樣子。 一旦程序識別出沒有任何退化的太陽耀斑，該算法就能夠確定退化對當前 AIA 圖像的影響程度以及每個圖像需要多少校準。
“這是一件大事，”路易斯·多斯桑托斯博士說。 “我們不僅可以識別相同波長的結構，還可以識別不同波長的結構。” 這意味著研究人員可以對算法確定的校準更有信心。 事實上，當將他們的虛擬校準數據與探空火箭校準數據進行比較時，機器學習程序被證明是最重要的。 借助這一新流程，科學家可以在校準火箭飛行之間持續校準 AIA 圖像，從而為研究人員提高 SDO 數據的準確性。
另請閱讀：