BT2PB: High-cadence polarized brightness of the solar corona from LASCO C2 total brightness observations using deep learning
本文介绍了 BT2PB，这是一种利用在数十年 LASCO C2 数据上训练的卷积神经网络，通过从全亮度 (Bt) 观测中预测高频极化亮度 (pB)，从而实现对太阳日冕动力学的新型高时间分辨率研究，并改善对日冕物质抛射等事件的质量估算。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
太阳并非一个静止的火球，而是一个动态的、翻腾着的恒星，其周围环绕着延伸至太空数百万英里的大气层。这个外层被称为日冕，是由不断从太阳向外喷射的超高温粒子组成的稀薄气体，它们携带的磁场和能量可能会干扰地球上的卫星和电网。为了理解这一大气层并预测其何时可能发生爆发，科学家需要极其精确地测量其密度和结构。然而，观察日冕就像是在刺眼的聚光灯旁试图看清一团微弱的烛火。我们看到的日冕光线是两种东西的混合：一是我们要研究的真实发光气体，二是由于阳光在尘埃上散射以及望远镜本身产生的杂散光所形成的明亮且朦胧的背景。
几十年来，搭载在 SOHO 航天器上的大角度光谱日冕仪（LASCO）仪器一直在观测这一太阳大气层。它拍摄两种类型的图像。第一种类型称为全亮度图像，拍摄频率非常高——每天数十次。这些图像明亮且清晰，能够显示太阳爆发发生时的形状，但它们受到了明亮背景雾霾的污染，导致难以测量气体的真实密度。第二种类型是偏振亮度图像，这种图像要干净得多。通过使用特殊的滤光片阻挡背景杂光，这些图像揭示了日冕的真实结构。问题在于，这类干净的图像拍摄频率非常低，可能每天仅一次或两次。这种缓慢的节奏意味着科学家经常会错过日冕的快速变化，或者无法构建完整的三维地图，因为他们缺乏足够的快照来填补空白。
阿伯里斯特威斯大学的一个研究小组开发了一种新的方法来弥补这一差距。他们创建了一个基于深度学习（一种通过研究海量数据进行学习的人工智能技术）的计算机程序。该程序名为 BT2PB，通过学习过去二十五年间拍摄的数千对图像进行了训练。对于每一对图像，程序都会研究一张“脏”的全亮度图像及其对应的、拍摄时间几乎相同的“干净”的偏振亮度图像。通过分析这些示例，计算机学会了识别区分真实日冕气体与背景噪声的细微模式。它学会了如何观察一张频繁拍摄的、带有噪声的图像，并预测如果此时此刻进行拍摄，其高质量的干净版本会是什么样子。
当研究人员测试这个新工具时，发现它的效果非常出色。该程序成功地将频繁拍摄的、带有噪声的图像转换成了对日冕真实亮度的干净、高质量预测。平均而言，预测结果与实际测量值的误差在百分之八到十二左右。研究人员指出，这种微小的误差并非源于计算机的错误，而是源于用于测试的真实物理图像本身固有的噪声，这些图像通常是颗粒感较重且不完美的。即便存在这种局限性，改进也十分显著。该工具让科学家能够像望远镜拍摄频率那样高（每天数十次）地生成高质量的日冕视图，而不是等待那些罕见的干净快照。
这种能力为研究太阳开启了新的可能性。由于该程序可以提供稳定的高质量数据流，科学家现在可以以前所未有的细节水平来追踪快速移动的事件，例如气体和磁场的剧烈爆发。他们还可以利用这些频繁的高质量图像来构建太阳大气的三维地图，这种被称为断层扫描的技术需要从不同角度和时间进行多次观测。此前，由于干净图像的拍摄节奏缓慢，这些地图往往是不完整的，甚至在许多时期根本无法制作。现在，随着能够按需生成干净数据，研究人员可以以更高的清晰度和速度研究太阳的结构和行为，这让我们在理解恒星如何影响周围空间方面迈出了重要一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。