A inteligência artificial ajuda a melhorar os olhos da NASA no Sol

Caros Leitores;

Um grupo de pesquisadores está usando técnicas de inteligência artificial para calibrar algumas das imagens do Sol da NASA, ajudando a melhorar os dados que os cientistas usam para pesquisas solares. A nova técnica foi publicada na revista  Astronomy & Astrophysics  em 13 de abril de 2021. 

Um telescópio solar tem uma tarefa difícil. Encarar o Sol tem um preço severo, com um bombardeio constante por um fluxo interminável de partículas solares e luz solar intensa. Com o tempo, as lentes e sensores sensíveis dos telescópios solares começam a se degradar. Para garantir que os dados que esses instrumentos enviam ainda sejam precisos, os cientistas recalibram periodicamente para ter certeza de que entenderam como o instrumento está mudando. 

Lançado em 2010, o Solar Dynamics Observatory, ou SDO, da NASA, fornece imagens do Sol em alta definição há mais de uma década. Suas imagens deram aos cientistas uma visão detalhada de vários fenômenos solares que podem desencadear o clima espacial e afetar nossos astronautas e a tecnologia na Terra e no espaço. O Atmospheric Imagery Assembly, ou AIA, é um dos dois instrumentos de imagem no SDO e olha constantemente para o Sol, capturando imagens em 10 comprimentos de onda de luz ultravioleta a cada 12 segundos. Isso cria uma riqueza de informações do Sol como nenhum outro, mas - como todos os instrumentos voltados para o Sol - o AIA se degrada com o tempo e os dados precisam ser calibrados com frequência.  

Esta imagem mostra sete dos comprimentos de onda ultravioleta observados pelo Atmospheric Imaging Assembly a bordo do Solar Dynamics Observatory da NASA. A linha superior são as observações tiradas de maio de 2010 e a linha inferior mostra as observações de 2019, sem nenhuma correção, mostrando como o instrumento se degradou ao longo do tempo.
Créditos: Luiz Dos Santos / NASA GSFC

Desde o lançamento do SDO, os cientistas têm usado foguetes de sondagem para calibrar o AIA. Foguetes de sondagem são foguetes menores que normalmente carregam apenas alguns instrumentos e fazem voos curtos para o espaço - geralmente apenas 15 minutos. Crucialmente, foguetes de sondagem voam acima da maior parte da atmosfera da Terra, permitindo que os instrumentos a bordo vejam os comprimentos de onda ultravioleta medidos pelo AIA. Esses comprimentos de onda de luz são absorvidos pela atmosfera da Terra e não podem ser medidos a partir do solo. Para calibrar o AIA, eles anexariam um telescópio ultravioleta a um foguete e comparariam os dados com as medições do AIA. Os cientistas podem então fazer ajustes para contabilizar quaisquer alterações nos dados do AIA. 

Créditos: NASA GSFC

Existem algumas desvantagens no método de calibração do foguete de sondagem. Os foguetes de sondagem só podem ser lançados com certa frequência, mas o AIA está constantemente olhando para o sol. Isso significa que há um tempo de inatividade em que a calibração fica ligeiramente errada entre cada calibração do foguete de sondagem. 

“Também é importante para missões espaciais profundas, que não terão a opção de calibração de foguetes de sondagem”, disse o Dr. Luiz Dos Santos, físico solar do Goddard Space Flight Center da NASA em Greenbelt, Maryland, e principal autor do artigo. “Estamos lidando com dois problemas ao mesmo tempo.” 

Calibração virtual

Com esses desafios em mente, os cientistas decidiram olhar para outras opções para calibrar o instrumento, com um olho na calibração constante. O aprendizado de máquina, uma técnica usada em inteligência artificial, parecia um ajuste perfeito. 

Como o nome indica, o aprendizado de máquina requer um programa de computador, ou algoritmo, para aprender como realizar sua tarefa.

Primeiro, os pesquisadores precisaram treinar um algoritmo de aprendizado de máquina para reconhecer estruturas solares e como compará-las usando dados AIA. Para fazer isso, eles fornecem ao algoritmo imagens de voos de calibração de foguetes de sondagem e informam a quantidade correta de calibração de que precisam. Depois de muitos desses exemplos, eles fornecem ao algoritmo imagens semelhantes e veem se ele identificaria a calibração correta necessária. Com dados suficientes, o algoritmo aprende a identificar quanta calibração é necessária para cada imagem.

Como o AIA olha para o Sol em vários comprimentos de onda de luz, os pesquisadores também podem usar o algoritmo para comparar estruturas específicas entre os comprimentos de onda e fortalecer suas avaliações.

Para começar, eles ensinariam ao algoritmo a aparência de uma erupção solar, mostrando-lhe erupções solares em todos os comprimentos de onda do AIA até que reconhecesse erupções solares em todos os diferentes tipos de luz. Uma vez que o programa pode reconhecer uma erupção solar sem qualquer degradação, o algoritmo pode então determinar quanta degradação está afetando as imagens atuais do AIA e quanta calibração é necessária para cada uma. 

“Este foi o grande lance”, disse Dos Santos. “Em vez de apenas identificá-lo no mesmo comprimento de onda, estamos identificando estruturas através dos comprimentos de onda”. 

Isso significa que os pesquisadores podem ter mais certeza da calibração que o algoritmo identificou. Na verdade, ao comparar seus dados de calibração virtual com os dados de calibração do foguete, o programa de aprendizado de máquina acertou em cheio. 

A linha superior de imagens mostra a degradação do canal de comprimento de onda 304 Angstrom da AIA ao longo dos anos, desde o lançamento do SDO. A linha inferior de imagens é corrigida para essa degradação usando um algoritmo de aprendizado de máquina.

Créditos: Luiz Dos Santos / NASA GSFC

Com este novo processo, os pesquisadores estão preparados para calibrar constantemente as imagens do AIA entre os voos de foguetes de calibração, melhorando a precisão dos dados do SDO para os pesquisadores. 

Aprendizado de máquina além do Sol

Os pesquisadores também têm usado o aprendizado de máquina para entender melhor as condições mais próximas de casa. 

Um grupo de pesquisadores liderado pelo Dr. Ryan McGranaghan - Cientista de Dados Principal e Engenheiro Aeroespacial da ASTRA LLC e do Centro de Voo Espacial Goddard da NASA -   usou o aprendizado de máquina  para entender melhor a conexão entre o campo magnético da Terra e a ionosfera, a parte eletricamente carregada da parte superior da Terra atmosfera. Usando técnicas de ciência de dados para grandes volumes de dados, eles podem aplicar técnicas de aprendizado de máquina para desenvolver um modelo mais novo que os ajudasse a entender melhor como partículas energizadas do espaço chovem na atmosfera da Terra, onde impulsionam o clima espacial. 

À medida que o aprendizado de máquina avança, seus aplicativos científicos se expandem para mais e mais missões. Para o futuro, isso pode significar que as missões no espaço profundo - que viajam para lugares onde voos de foguetes de calibração não são possíveis - ainda podem ser calibradas e continuar fornecendo dados precisos, mesmo quando se deslocam a distâncias cada vez maiores da Terra ou de qualquer estrela.

Por  Susannah Darling
Sede da NASA, Washington

Legenda da imagem do cabeçalho (igual à imagem da história): A linha superior de imagens mostra a degradação do canal de comprimento de onda 304 Angstrom da AIA ao longo dos anos, desde o lançamento do SDO. A linha inferior de imagens é corrigida para essa degradação usando um algoritmo de aprendizado de máquina. Créditos: Luiz Dos Santos / NASA GSFC

Fonte: NASA / Editor: Susannah Darling / 24-07-2021

https://www.nasa.gov/feature/goddard/2021/artificial-intelligence-helps-improve-nasa-s-eyes-on-the-sun     

Obrigado pela sua visita e volte sempre!

                      

HélioR.M.Cabral (Economista, Escritor e Divulgador de conteúdos da Astronomia, Astrofísica, Astrobiologia e Climatologia).Participou do curso (EAD) de Astrofísica, concluído em 2020, pela Universidade Federal de Santa Catarina (UFSC).

Autor do livro: “Conhecendo o Sol e outras Estrelas”.

Acompanha e divulga os conteúdos científicos da NASA (National Aeronautics and Space Administration), ESA (European Space Agency) e outras organizações científicas e tecnológicas.

Participa do projeto S`CoolGroundObservation (Observações de Nuvens) que é integrado ao Projeto CERES (CloudsandEarth´sRadiant Energy System) administrado pela NASA.A partir de 2019, tornou-se membro da Sociedade Astronômica Brasileira (SAB), como astrônomo amador.

Participa também do projeto The GlobeProgram / NASA GlobeCloud, um Programa de Ciência e Educação Worldwide, que também tem o objetivo de monitorar o Clima em toda a Terra. Este projeto é patrocinado pela NASA e National Science Fundation (NSF), e apoiado pela NationalOceanicandAtmosphericAdministration (NOAA) e U.S DepartmentofState.

e-mail: heliocabral@coseno.com.br

Page: http://pesqciencias.blogspot.com.br

Page: http://livroseducacionais.blogspot.com.br