Астрономия

Нейросеть обучили анализировать фотографии Солнца

Нейросеть обучили анализировать фотографии Солнца

NASA

Российские и австрийские исследователи разработали нейронную сеть, которая может анализировать высококачественные изображения Солнца. Исследование опубликовано в журнале Astronomy & Astrophysics.

Наблюдение за Солнцем всегда было одним из главных направлений астрономии. Это важно как с фундаментально-научной точки зрения, так и с практической, так как многие современные технологии чувствительны к «космической погоде», солнечным вспышкам и корональным выбросам. Поэтому ученые пристально наблюдают за нашей звездой, чтобы лучше понимать и прогнозировать солнечные явления и взаимодействие солнечных извержений с магнитосферой и атмосферой Земли. Для этого в разных регионах планеты расположены телескопы. Но атмосфера Земли иногда оказывается проблемой для наблюдений — облака могут затмевать солнечный диск, а колебания воздуха могут привести к размытию изображения.

«Как люди, мы оцениваем качество изображения, рассматривая идеальное эталонное изображение Солнца и сравниваем его с реальным наблюдением. Например, облако перед солнечным диском было бы большим отклонением от нашего воображаемого идеального изображения, и мы бы присвоили этому снимку очень низкое качество, в то время как незначительные колебания были бы менее серьезными. Стандартные метрики качества не могут обеспечить необходимую оценку качества, независимую от солнечных элементов, и обычно не учитывают облака», — рассказала одна из авторов исследования, профессор Космического центра Сколковского института науки и технологий Татьяна Подладчикова.

Поэтому российские и австрийские астрономы обратились к искусственному интеллекту. Они разработали нейронную сеть для изучения характеристик высококачественных изображений и оценки отклонения реальных наблюдений от идеального эталона. Ученые опирались на генеративные состязательные сети (GAN). Их обычно применяют для создания синтетических изображений, таких как реалистичные человеческие лица и перевод карт улиц на спутниковые снимки. Разработанная по такому принципу сеть сперва извлекает важные характеристики высококачественной картинки, например положение и внешний вид солнечных элементов. Затем она генерирует изначальное изображение из такого сжатого описания. А если картинка изначально низкого качества, то сеть кодирует ее содержимое, но при реконструкции она упускает низкокачественные характеристики. Так получается из-за аппроксимированного распределения изображений GAN, которое может генерировать изображения только высокого качества.

Слева направо: солнечные изображения с ухудшающимся качеством

Слева направо: солнечные изображения с ухудшающимся качеством

Kanzelhöhe Observatory for Solar and Environmental Research

«В нашем исследовании мы применили новый метод обработки изображений к солнечным снимкам наземной обсерватории Канцельхох в Австрии и показали, что результат совпадает на 98,5% с результатами оценки наблюдателя. Мы протестировали исходные изображения, получаемые в ходе наблюдения, и обнаружили, что нейронная сеть правильно определяет все сильные ухудшения качества, а также позволяет нам выбирать лучшие изображения, что в итоге приводит к созданию более надежной серии наблюдений. Это имеет большое практическое значение для создания будущих сетевых телескопов, поскольку наблюдения из разных мест будет необходимо фильтровать и объединять в реальном времени», — объяснил первый автор исследования, научный сотрудник Университета Граца Роберт Яролим.

Ученые продолжают работу над улучшением методов обработки изображений, чтобы обеспечить непрерывный поток данных с максимально возможным качеством. Также исследователи разрабатывают программное обеспечение для постоянного и автоматического отслеживания солнечной активности.

Понравился материал? Добавьте Indicator.Ru в «Мои источники» Яндекс.Новостей и читайте нас чаще.

Пресс-релизы о научных исследованиях, информацию о последних вышедших научных статьях и анонсы конференций, а также данные о выигранных грантах и премиях присылайте на адрес science@indicator.ru.