BT2PB: High-cadence polarized brightness of the solar corona from LASCO C2 total brightness observations using deep learning
Dieses Paper stellt BT2PB vor, ein Deep-Learning-Modell, das ein mittels Jahrzehnten an LASCO C2-Daten trainiertes faltendes neuronales Netzwerk nutzt, um hochfrequente polarisierte Helligkeit (pB) aus Beobachtungen der Gesamthelligkeit (Bt) vorherzusagen und somit neue hochauflösende Zeitstudien der solaren Koronadynamik zu ermöglichen sowie Massenschätzungen für Ereignisse wie koronalen Massenauswürfen zu verbessern.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die Sonne ist keine statische Feuerkugel; sie ist ein dynamischer, wirbelnder Stern, der von einer Atmosphäre umgeben ist, die Millionen von Kilometern weit in den Weltraum reicht. Diese äußere Schicht, bekannt als Korona, ist ein dünnes Gas aus supererhitzten Teilchen, das ständig von der Sonne wegströmt und dabei Magnetfelder sowie Energie mit sich führt, die Satelliten und Stromnetze auf der Erde stören können. Um diese Atmosphäre zu verstehen und vorherzusagen, wann sie ausbrechen könnte, müssen Wissenschaftler ihre Dichte und Struktur mit großer Präzision messen. Das Betrachten der Korona ist jedoch so, als versuche man, die schwache Flamme einer Kerze neben einem blendenden Scheinwerfer zu sehen. Das Licht, das wir von der Korona sehen, ist eine Mischung aus zwei Dingen: dem eigentlichen glühenden Gas, das wir untersuchen wollen, und einem hellen, dunstigen Hintergrund, der durch Sonnenlicht entsteht, das an Staub gestreut wird und durch Streulicht vom Teleskop selbst verursacht wird.
Seit Jahrzehnten beobachtet das Instrument „Large Angle and Spectrometric Coronagraph“ (LASCO) an Bord der SOHO-Raumsonde diese solare Atmosphäre. Es macht zwei Arten von Bildern. Die erste Art, die „Gesamthelligkeit“ (total brightness), wird sehr häufig aufgenommen – dutzendfach am Tag. Diese Bilder sind hell und klar und zeigen die Form solarer Eruptionen während des Geschehens, sind jedoch durch diesen hellen Hintergrundnebel verunreinigt, was es schwierig macht, die wahre Dichte des Gases zu messen. Die zweite Art, die „polarisierte Helligkeit“ (polarized brightness), ist viel sauberer. Durch den Einsatz spezieller Filter, die das dunstige Hintergrundlicht blockieren, enthüllen diese Bilder die wahre Struktur der Korona. Das Problem ist, dass diese sauberen Bilder nur sehr selten aufgenommen werden, vielleicht nur einmal oder zweimal am Tag. Dieses langsame Tempo bedeutet, dass Wissenschaftler oft schnelle Veränderungen in der Korona übersehen oder keine vollständige 3D-Karte von ihr erstellen können, da ihnen nicht genügend Schnappschüsse fehlen, um die Lücken zu füllen.
Ein Team von Forschern der Universität Aberystwyth hat einen neuen Weg entwickelt, um diese Lücke zu schließen. Sie entwickelten ein Computerprogramm, das auf Deep Learning basiert, einer Art von künstlicher Intelligenz, die durch das Studium riesiger Datenmengen lernt. Das Programm mit dem Namen BT2PB wurde mit Tausenden von Bildpaaren trainiert, die über die letzten fünfundzwanzig Jahre aufgenommen wurden. Für jedes Paar studierte das Programm ein „schmutziges“ Bild der Gesamthelligkeit und das dazugehörische „saubere“ Bild der polarisierten Helligkeit, die fast zum gleichen Zeitpunkt aufgenommen wurden. Durch die Analyse dieser Beispiele lernte der Computer, die subtilen Muster zu erkennen, die das echte koronale Gas vom Hintergrundrauschen unterscheiden. Er lernte, ein häufig vorkommendes, verrauschtes Bild zu analysieren und vorherzusagen, wie die saubere, hochwertige Version aussehen würde, wenn sie genau in diesem Moment aufgenommen worden wäre.
Als die Forscher dieses neue Werkzeug testeten, stellten sie fest, dass es bemerkenswert gut funktionierte. Das Programm konnte die häufigen, verrauschten Bilder erfolgreich in saubere, hochwertige Vorhersagen der wahren Helligkeit der Korona umwandeln. Im Durchschnitt waren die Vorhersagen um etwa acht bis zwölf Prozent genau im Vergleich zu den tatsächlichen Messungen. Die Forscher merkten an, dass ein Teil dieser geringen Abweichung nicht auf einen Fehler des Computers zurückzuführen war, sondern auf das inhärente Rauschen in den realen, physischen Bildern, die zu Testzwecken verwendet wurden, welche oft körnig und unvollkommen sind. Selbst mit dieser Einschränkung ist die Verbesserung signifikant. Das Werkzeug ermöglicht es Wissenschaftlern, eine hochwertige Sicht auf die Korona so oft zu generieren, wie das Teleskop ein Bild aufnimmt – nämlich dutzendfach am Tag – anstatt auf die seltenen, sauberen Aufnahmen zu warten.
Diese Fähigkeit eröffnet neue Möglichkeiten für die Erforschung der Sonne. Da das Programm einen stetigen Strom an sauberen Daten liefern kann, können Wissenschaftler nun schnelle Ereignisse, wie etwa massive Ausbrüche von Gas und Magnetfeldern, mit einem Detailgrad verfolgen, der zuvor unmöglich war. Sie können auch diese häufigen, hochwertigen Bilder nutzen, um dreidimensionale Karten der solaren Atmosphäre zu erstellen, eine Technik, die Tomographie genannt wird und viele Beobachtungen aus verschiedenen Winkeln über die Zeit erfordert. Zuvscher war das langsame Tempo der sauberen Bilder der Grund dafür, dass diese Karten oft unvollständig waren oder für viele Zeiträume gar nicht erstellt werden konnten. Jetzt, mit der Fähigkeit, saubere Daten auf Abruf zu generieren, können Forscher die Struktur und das Verhalten der Sonne mit einer Klarheit und Geschwindigkeit untersuchen, die uns dem Verständnis darüber, wie unser Stern die Umgebung im Weltraum beeinflusst, näher bringt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.