Un cadre d'apprentissage en profondeur transforme des décennies de données solaires en une vue unifiée et haute résolution – ajusté les instruments, surmonter les limitations et nous aider à mieux comprendre notre étoile.
À mesure que les télescopes solaires deviennent plus sophistiqués, ils offrent des vues de plus en plus détaillées de notre étoile la plus proche. Mais avec chaque nouvelle génération d'instruments, nous sommes confrontés au défi croissant des différences d'observations. Des ensembles de données plus anciens, qui s'étendent parfois des décennies, ne peuvent pas être facilement comparés aux images les plus récentes. La capacité d'étudier les changements solaires à long terme ou les événements rares est limité par des incohérences dans la résolution, l'étalonnage et la qualité des données.
Des scientifiques de l'Université de Graz, en Autriche, en collaboration avec des collègues du Skolkovo Institute of Science and Technology (Skoltech), de la Russie, et de l'Observatoire de haute altitude du Centre national américain de recherche atmosphérique ont développé un nouveau cadre d'apprentissage en profondeur (traduction de l'instrument-instrument; ITI) qui aide à combler le fossé entre les anciennes et les nouvelles observations.
Les résultats de la recherche ont été publiés dans la revue Communications de la nature.
« En utilisant un type d'intelligence artificielle appelée réseaux adversariaux génératifs (GAN), nous avons développé une méthode qui peut traduire les observations solaires d'un instrument à un autre – même si ces instruments ne fonctionnaient jamais en même temps », explique l'auteur principal de l'étude, Robert Jarolim, un NASA postdoctoral bamidal à l'observatoire de haute altitude à Colorado (US).
Cette technique permet au système d'IA d'apprendre les caractéristiques des capacités d'observation les plus récentes et de transférer ces informations aux observations héritées.
Le modèle fonctionne en formant un réseau neuronal pour simuler des images dégradées de haute qualité, et un deuxième réseau pour inverser la dégradation synthétique. Plus précisément, la méthode utilise des données solaires du monde réel, capturant la complexité des différences instrumentales.
Le deuxième réseau peut ensuite être appliqué à de véritables observations de faible qualité pour les traduire par la qualité et la résolution des données de référence de haute qualité. Cette approche peut transformer des images bruyantes et à basse résolution en plus claires, qui sont comparables aux observations obtenues à partir de missions solaires récentes, tout en préservant les caractéristiques physiques des images.
Ce cadre a été appliqué à une gamme d'ensembles de données solaires: combiner 24 ans d'observations spatiales, améliorer la résolution de l'imagerie solaire à disque complet, réduire le bruit atmosphérique dans les observations solaires au sol et même estimer les champs magnétiques de la partie éloignée du soleil en utilisant uniquement des données provenant d'observations ultraviolets extrêmes.
« L'IA ne peut pas remplacer les observations, mais cela peut nous aider à tirer le meilleur parti des données que nous avons déjà collectées », explique Jarolim. « C'est le vrai pouvoir de cette approche. »
En améliorant les données solaires héritées avec des informations provenant des capacités d'observation récentes, le plein potentiel des ensembles de données combinés peut être utilisé. Cela crée une image plus cohérente de l'évolution à long terme de notre étoile dynamique.
« Ce projet montre comment l'informatique moderne peut insuffler une nouvelle vie aux données historiques », ajoute la professeure agrégée de Skoltech, Tatiana Podladchikova, co-auteur du journal.
« Notre travail va au-delà de l'amélioration des vieilles images – il s'agit de créer un langage universel pour étudier l'évolution du Soleil à travers le temps. Grâce aux ressources informatiques à haute performance de Skoltech, nous avons formé des modèles d'IA qui découvrent des connexions cachées en des décennies de données solaires, révélant des modèles à travers plusieurs cycles solaires.
« En fin de compte, nous construisons un avenir où chaque observation, passé ou futur, peut parler la même langue scientifique. »
