Астрономія
Астрономія

Нейромережу навчили фіксувати корональні діри Сонця

Дослідники навчили згорткову нейронну мережу точно визначати межі корональних дір на Сонці. Це дозволить вивчити залежність сонячного циклу від параметрів корональних дір, а також створити інструменти для вивчення космічної погоди у реальному часі. Стаття про це доступна у журналі Astronomy & Astrophysics.

Визначення корональних дір нейромережею з 2010 по 2020 роки. Jarolim et. al / YouTube

Що таке корональні діри?

Корональні діри виглядають як широкомасштабні темні області на екстремальних ультрафіолетових та м'яких рентгенівських зображеннях верхньої сонячної атмосфери. Вони утворюються з великої кількості дрібномасштабних магнітних ліній, основи яких знаходяться у сонячній фотосфері, розширюються з висотою по всій хромосфері та перехідній області й з часом утворюють діри в сонячній короні. Ці отвори характеризуються зниженою температурою та густиною порівняно із навколишньою плазмою, мають домінуючу магнітну полярність і демонструють відкриту топологію магнітного поля. Такі магнітні лінії поширюються далеко в міжпланетний простір, на відстань кількох астрономічних одиниць. Сонячна плазма радіально прискорюється і поширюється від Сонця вздовж цих відкритих ліній магнітних полів. Це утворює високошвидкісні потоки сонячного вітру, які виходять за межі геліосфери зі швидкістю до 800 кілометрів на секунду. Коли ці потоки потрапляють на Землю, вони взаємодіють з магнітосферою нашої планети і можуть спричинити геомагнітні бурі.

Що створили дослідники?

Розподіл магнітного поля не можна спостерігати на зворотній стороні Сонця, а вимірювання магнітних полів на полюсах є неточними. Наразі не існує жодного алгоритму для надійної автоматичної ідентифікації корональних дір протягом тривалої частини сонячного циклу, тож дослідники вирішили виправити цю проблему за допомогою технології сегментації зображень. Вони натренували згорткову нейронну мережу визначити межі корональних дір за допомогою інструментів на борту Обсерваторії сонячної динаміки: семи каналів екстремального ультрафіолетового випромінювання інструменту Atmospheric Imaging Assembly та вимірювань магнітного поля, зроблених Helioseismic and Magnetic Imager. Так, магнітограми вимірюють магнітне поле в сонячній фотосфері, а ультрафіолетові зображення досліджують сонячну плазму в хромосферному та корональному шарах. Нейронна мережа має змогу вчитися безпосередньо з багатовимірних даних і може визначати корональні діри на основі їхньої форми, структурного вигляду, глобальної контекстної інформації та багатохвильових зображень. Це дозволяє ефективно та надійно відрізняти корональні діри від інших темних областей. Нейромережа отримала назву CHRONNOS (Coronal Hole RecOgnition Neural Network Over multi-Spectral-data).

Композитне зображення семи фільтрів інструменту Atmospheric Imaging Assembly та магнітограми Helioseismic and Magnetic Imager. Червоним позначені межі корональної діри, визначені нейромережею. Jarolim et. al

Композитне зображення семи фільтрів інструменту Atmospheric Imaging Assembly та магнітограми Helioseismic and Magnetic Imager. Червоним позначені межі корональної діри, визначені нейромережею. Jarolim et. al

Як перевіряли цей алгоритм?

Дослідники застосували нейромережу для 261 виявленої корональної діри площею більше 15 мільярдів квадратних кілометрів (0,5% видимої сонячної поверхні) у період між 2010 і 2016 роками. У 98,1% випадків алгоритм виявив межі корональних дір правильно. Автори зазначають, що мережа демонструє високу надійність і успішно навчилася відрізняти філаменти від корональних дір, а невизначена ідентифікація відповідає регіонам, близьким до полюсів. Крім того, науковці порівняли варіацію загальної площі корональної діри за повний попередній двадцять четвертий сонячний цикл. Виявилося, що модель забезпечує надійне виявлення корональних дірок незалежно від рівня сонячної активності та підходить для застосування на різних часових проміжках. Також науковці натренували модель для ідентифікації корональних дірок з кожного каналу окремо. Нейронна мережа забезпечує найкращі характеристики при комбінованій інформації з кількох каналів, але також працює лише за допомогою вимірювань магнітного поля.