Machine Learning in Application to Automatic Noise Processing of Solar Spectrograms
Dit artikel presenteert een machine learning-benadering, specifiek gebruikmakend van convolutionele neurale netwerken, om het opschonen, invullen van hiaten en transformeren van zonne-spectrogrammen te automatiseren, waardoor een betrouwbare analyse mogelijk wordt van voorheen onbruikbare gegevens, zoals randgebieden en door onzuiverheden aangetaste gebieden.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De zon is een ster die nooit ophoudt te veranderen, en voor astronomen is het vastleggen van haar vluchtige momenten van geweld een race tegen de klok. Wanneer een zonnevlam uitbarst, stuurt het een uitbarsting van energie en licht de ruimte in, wat een zeldzaam inkijkje biedt in de extreme fysica van de atmosfeer van onze ster. Om deze gebeurtenissen te bestuderen, vertrouwen wetenschappers al lang op fotografische platen, grote vellen lichtgevoelig materiaal die het zonlicht vastleggen nadat het is gesplitst in een regenboog van kleuren, ook wel een spectrum genoemd. Deze spectra fungeren als een vingerafdruk en onthullen de temperatuur, magnetische velden en chemische samenstelling van de zonneatmosfeer. Omdat deze gebeurtenissen echter slechts één keer plaatsvinden en niet kunnen worden nagebootst, zijn de originele fotografische platen onvervangbare schatten. De uitdaging ligt in het omzetten van deze oude, fysieke platen naar digitale gegevens die moderne computers kunnen analyseren. Dit proces is niet perfect; de manier waarop licht door de plaat gaat om gescand te worden kan een helder beeld creëren, terwijl licht dat van het oppervlak weerkaatst een ander beeld kan creëren met zijn eigen reeks gebreken, zoals onscherpte of spookachtige halo's. Als wetenschappers de digitale kopie niet kunnen vertrouwen, verliezen ze het vermogen om de unieke gebeurtenis die het vertegenwoordigt te bestuderen.
Een team van onderzoekers heeft nu een nieuwe manier ontwikkeld om dit probleem aan te pakken met behulp van een type computerprogramma dat bekend staat als machine learning. In plaats van te proberen elke kras of stofje handmatig te repareren in een digitale afbeelding, hebben ze een computer geleerd de relatie tussen twee verschillende manieren van het scannen van dezelfde zonnplaat te begrijpen. In hun studie concentreerden zij zich op een specifieke zonnevlam die plaatsvond op 17 juli 1981, vastgelegd door een telescoop in Kiev. Ze namen hoogresolutie scans van dezelfde plaat met twee methoden: één waarbij licht door de film heen ging (transmissief) en één waarbij licht van het oppervlak weerkaatste (reflectief). De transmissieve scans zijn over het algereen duidelijker, maar de reflectieve scans bevatten vaak extra reflecties die een wazige, verschoven halo rond de heldere plekken creëren. De onderzoekers wilden zien of een computer kon leren om tussen deze twee versies te vertalen, effectief de rommelige reflectieve scan op te schonen zodat deze lijkt op de schone transmissieve scan, of andersom.
Om dit te doen, bouwden ze een gespecialiseerd digitaal brein, een convolutioneel neuraal netwerk. Dit is een programma dat ontworpen is om patronen in afbeeldingen te herkennen, vergelijkbaar met hoe het menselijk oog leert een gezicht te herkennen. Het team voerde de computer paren afbeeldingen: de rommelige reflectieve scan en de schone transmissieve scan van dezelfde zonnevlam. De computer kreeg de taak om precies te leren hoe hij de ene in de andere kon transformeren. De computer leerde dat de "halo" die in de reflectieve scan te zien is, in essentie een gladgestreken, verschoven versie is van de hoofdafbeelding. Door dit patroon te begrijpen, kon de computer de onscherpte uit de reflectieve scan verwijderen om de schone spectrale lijn eronder te onthullen, of de halo toevoegen aan de schone scan om te zien hoe de reflectieve versie eruit zou zien. De resultaten waren opmerkelijk. De computer kon de afbeeldingen met zulke hoge nauwkeurigheid heen en weer converteren dat het verschil tussen de output van de computer en de werkelijke doelafbeelding minder dan één procent was. Dit betekent dat de digitale vertaling bijna perfect was, waarbij de exacte vorm en helderheid van de zonnekenmerken behouden bleven.
Naast het simpelweg vertalen van afbeeldingen, bood deze methode een krachtige nieuwe manier om onzuiverheden te vinden en te verwijderen. Wanneer de computer de twee scans vergeleek, merkte hij op dat bepaalde plekken niet overeenkwamen met het geleerde patroon. Deze mismatches verschenen als heldere plekken in een foutenkaart, wat de aanwezigheid van stof, krassen of andere defecten op de fotografische plaat onthulde. In het verleden moesten wetenschappers elke afbeelding handmatig bekijken om deze gebreken te vinden, een traag en tijdrovend proces dat subtiele fouten kon missen. Met deze nieuwe aanpak markeerde de computer automatisch de besmette gebieden. De onderzoekers testten dit op een specifieke spectrale lijn van de zonnevlam uit 1981 en ontdekten dat de computer bijna alle stofdeeltjes en krassen identificeerde die menselijke experts hadden gevonden, terwijl hij ook twintig aanvullende gebreken opspoorde die de mensen aanvankelijk hadden gemist. Deze extra gebreken werden later bevestigd als echt toen de onderzoekers er nauwkeuriger naar keken, wat de superieure gevoeligheid van de computer bewees.
De werkelijke waarde van dit werk ligt in wat het wetenschappers mogelijk maakt om te doen met de gegevens die ze al hebben. Door deze machine learning-tool te gebruiken, kunnen onderzoekers nu met vertrouwen delen van het spectrum gebruiken die voorheen als te onbetrouwbaar werden beschouwd voor analyse, zoals de randen van de fotografische platen waar de beeldkwaliteit vaak verslechtert. Dit vergroot effectief de hoeveelheid bruikbare gegevens van deze unieke, eenmalige gebeurtenissen. Bovendien stelt de methode het mogelijk om de oorspronkelijke helderheid van het spectrum te herstellen in gebieden waar stof of krassen het zicht hebben belemmerd. In plaats van een beschadigd deel van de afbeelding weg te gooien of te gokken hoe het eruit zou moeten zien, kan de computer de ontbrekende informatie invullen op basis van de schone delen van de afbeelding. Dit zorgt ervoor dat de fysieke modellen die wetenschappers bouwen om zonnevlammen te begrijpen, gebaseerd zijn op de meest complete en nauwkeurige gegevens mogelijk. De studie laat zien dat hoewel de originele fotografische platen kwetsbaar en moeilijk perfect te digitaliseren zijn, moderne computing de kloof kan overbruggen, waardoor imperfecte scans worden getransformeerd tot betrouwbare vensters naar de geschiedenis van onze zon.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.