La inteligencia artificial ayuda a mejorar los estudios de la NASA en el Sol y más allá

Un grupo de investigadores está utilizando técnicas de inteligencia artificial para calibrar algunas de las imágenes del Sol de obtenidas por la NASA, para mejorar los datos que los científicos utilizan en la investigación solar. Esta nueva técnica se publicó en la revista Astronomy & Astrophysics el 13 de abril de 2021.

El trabajo de un telescopio solar es difícil. Observar fijamente al Sol es complicado, ya que de él emana una corriente interminable de partículas solares y luz solar intensa. Por ello, con el tiempo, las altamente sensibles lentes y los sensores de los telescopios solares comienzan a degradarse. Para garantizar que los datos que nos envían estos instrumentos sigan siendo precisos, los científicos deben recalibrar periódicamente para adaptarse a los cambios del instrumento.

El Solar Dynamics Observatory de la NASA, o SDO, ha proporcionado imágenes del Sol en alta definición durante más de una década desde su lanzamiento en 2010. Sus imágenes han proporcionado a los científicos una visión detallada de varios fenómenos solares que pueden modificar el clima espacial y afectar a los astronautas y a la tecnología en la Tierra y en el espacio. El Atmospheric Imagery Assembly, o AIA, es uno de los dos instrumentos de imágenes en SDO que apunta constantemente al Sol, tomando imágenes en 10 longitudes de onda de luz ultravioleta cada 12 segundos. Esto crea una gran cantidad de información excepcional del Sol, pero como todos los instrumentos que observan al Sol, el AIA se degrada con el tiempo y los datos deben calibrarse con frecuencia.

Esta imagen muestra siete de las longitudes de onda ultravioleta observadas por el Atmospheric Imaging Assembly  a bordo del Solar Dynamics Observatory de la NASA. En la fila superior figuran las observaciones tomadas en mayo de 2010 y la fila inferior muestra las observaciones de 2019 sin ninguna corrección, lo que denota la degradación del instrumento con el tiempo.
Créditos: Luiz Dos Santos/NASA GSFC.

Desde el lanzamiento de SDO, los científicos han utilizado cohetes de calibración para calibrar el AIA. Estos cohetes son pequeños y suelen llevan pocos instrumentos, realizan vuelos cortos al espacio, generalmente de solo 15 minutos. Fundamentalmente, lo que hacen es volar por encima de la atmósfera de la Tierra, lo que permite que los instrumentos a bordo detecten las longitudes de onda ultravioleta que mide el AIA. Como estas longitudes de onda de luz son absorbidas por la atmósfera terrestre, no se pueden medir desde el suelo. Para calibrar el AIA, conectan un telescopio ultravioleta a un cohete de calibración y comparan esos datos con las mediciones del AIA. Luego, los científicos hacen ajustes teniendo en cuenta cualquier cambio en los datos de AIA.


El Sol observado con el AIA en 2021.
Créditos: NASA GSFC.
El Sol observado con el AIA con correcciones derivadas de una calibración.
Créditos: NASA GSFC.

Hay algunos inconvenientes en el método de cohetes de calibración. Estos cohetes solo pueden lanzarse muy de vez en cuando, a pesar de que el AIA esté constantemente mirando al Sol. Por ello, hay un tiempo de inactividad en el que la calibración está ligeramente desviada hasta que un cohete de calibración vuelve a permitir una calibración adecuada.

“También es importante en las misiones en el espacio profundo, que no tienen la opción de utilizar cohetes de calibración”, dijo el Dr. Luiz Dos Santos, físico solar del Goddard Space Flight Center de la NASA en Greenbelt, Maryland, y autor principal del artículo. “Estamos abordando dos problemas a la vez”.

Calibración virtual

Con estos desafíos en mente, los científicos decidieron buscar otras opciones para calibrar el instrumento, con el objetivo de conseguir una calibración constante. El aprendizaje automático, una técnica utilizada en inteligencia artificial, parecía encajar perfectamente.

Como su nombre lo indica, el aprendizaje automático requiere un programa de ordenador, o algoritmo, que aprenda a realizar su tarea.

Primero, los investigadores necesitaban entrenar un algoritmo de aprendizaje automático para reconocer estructuras solares y cómo compararlas usando datos del AIA. Para hacer esto, le dan al algoritmo imágenes de vuelos de cohetes de calibración y le dicen la cantidad correcta de calibración que necesitan. Después de muchos de estos ejemplos, le dan al algoritmo imágenes similares y ven si identificaría la calibración correcta necesaria. Con suficientes datos, el algoritmo aprende a identificar cuánta calibración se necesita para cada imagen.

Debido a que el AIA observa al Sol en múltiples longitudes de onda de luz, los investigadores también pueden usar el algoritmo para comparar estructuras en las longitudes de onda específicas y fortalecer sus evaluaciones.

Para empezar, le enseñarían al algoritmo cómo era una llamarada solar mostrándole llamaradas solares en todas las longitudes de onda del AIA hasta que reconociera las llamaradas solares en todos los tipos diferentes de luz. Una vez que el programa puede reconocer una llamarada solar sin ninguna degradación, el algoritmo puede determinar cuánta degradación está afectando a las imágenes del AIA actuales y cuánta calibración se necesita para cada una.

“Esto fue lo más importante”, dijo Dos Santos. “En lugar de simplemente identificarlo en la misma longitud de onda, estamos identificando estructuras a lo largo de las longitudes de onda”.

Esto significa que los investigadores pueden estar más seguros de la calibración que identificó el algoritmo. De hecho, al comparar los datos de calibración virtual con los datos de los cohetes de calibración, el programa de aprendizaje automático acertó.

Con este nuevo proceso, los investigadores están preparados para calibrar constantemente las imágenes del AIA entre vuelos de cohetes de calibración, mejorando la precisión de los datos de SDO para los investigadores.

Aprendizaje automático más allá del Sol

Los investigadores también han estado utilizando el aprendizaje automático para comprender mejor las condiciones más cercanas.

Un grupo de investigadores dirigido por el Dr. Ryan McGranaghan, científico de datos principal e ingeniero aeroespacial de ASTRA LLC y el Goddard Space Flight Center de la NASA, utilizó el aprendizaje automático para comprender mejor la conexión entre el campo magnético de la Tierra y la ionosfera (la parte superior de la atmósfera de la Tierra cargada eléctricamente). Al utilizar técnicas para grandes volúmenes de datos científicos, podrían aplicar las técnicas de aprendizaje automático para que desarrollen nuevos modelos que les ayuden a comprender mejor cómo las partículas energizadas del espacio viajan hacia la atmósfera de la Tierra, donde impregnan el clima espacial.

A medida que avance el aprendizaje automático, sus aplicaciones científicas se expandirán a más y más misiones. Para el futuro, esto puede significar que las misiones en el espacio profundo, que viajan a lugares donde los vuelos de cohetes de calibración no son posibles, se podrán calibrar y continuar brindando datos precisos, incluso alejándose paulatinamente de la Tierra o de cualquier estrella.

Versión en inglés de esta noticia.

Edición: R. Castro.