Mặt trời của chúng ta trải qua chu kỳ hoạt động năng lượng của nó sau mỗi 11 năm, nhưng công nghệ mà các nhà khoa học sử dụng để quan sát đang tiến bộ với tốc độ nhanh hơn.
Đó là một trong những thông điệp chính của một nghiên cứu mới, trong đó lập luận rằng trí tuệ nhân tạo (AI) có thể thu hẹp khoảng cách ngày càng lớn giữa dữ liệu mặt trời mới và cũ hơn và giúp các nhà khoa học khám phá ra những khía cạnh bị bỏ qua trong quá trình tiến hóa lâu dài của ngôi sao của chúng ta.
Các thế hệ kính viễn vọng và thiết bị mặt trời mới liên tục cung cấp những góc nhìn chưa từng có về mặt trời. Những tiến bộ này, cho phép các nhà khoa học nắm bắt được các chi tiết phức tạp của các đợt bùng phát mặt trời và lập bản đồ từ trường của mặt trời với độ chính xác ngày càng cao, đóng vai trò quan trọng trong việc hiểu các quá trình phức tạp của nó và thúc đẩy những khám phá mới. Tuy nhiên, dữ liệu thu thập được từ mỗi thiết bị mới, mặc dù có chất lượng vượt trội, thường không tương thích với dữ liệu từ các thiết bị cũ hơn do độ phân giải, hiệu chuẩn và chất lượng khác nhau, khiến việc nghiên cứu cách mặt trời tiến hóa qua nhiều thập kỷ trở nên khó khăn, nghiên cứu mới lập luận.
Phương pháp tiếp cận mới dựa trên AI khắc phục những hạn chế này bằng cách xác định các mẫu và mối quan hệ trong các tập dữ liệu từ các thiết bị và loại dữ liệu mặt trời khác nhau, chuyển chúng thành một định dạng chung, chuẩn hóa. Điều này cung cấp cho các nhà khoa học một kho lưu trữ phong phú và nhất quán hơn về các quan sát mặt trời cho nghiên cứu của họ, đặc biệt là đối với các phân tích dài hạn về các vết đen mặt trời lịch sử, các sự kiện hiếm gặp và các nghiên cứu đòi hỏi phải kết hợp dữ liệu từ nhiều thiết bị, các tác giả nghiên cứu cho biết.
Liên quan: Mặt trời của Trái đất: Sự thật về tuổi tác, kích thước và lịch sử của mặt trời
"AI không thể thay thế các quan sát, nhưng nó có thể giúp chúng ta tận dụng tối đa dữ liệu mà chúng ta đã thu thập được", Robert Jarolim, người phát triển các thuật toán tiên tiến để xử lý hình ảnh mặt trời tại Đại học Graz ở Áo và là người đứng đầu nghiên cứu mới, cho biết trong statement. "Đó là sức mạnh thực sự của phương pháp tiếp cận này."
Phương pháp AI do Jarolim và nhóm của ông phát triển về cơ bản có thể dịch các quan sát từ thiết bị này sang thiết bị khác, ngay cả khi các thiết bị đó không bao giờ hoạt động cùng lúc. Nghiên cứu mới cho thấy điều đó khiến phương pháp tiếp cận dựa trên dữ liệu của họ có thể áp dụng cho nhiều tập dữ liệu hình ảnh thiên văn.
Nhóm đã đạt được điều này thông qua quy trình hai bước liên quan đến mạng nơ-ron, một loại thuật toán học máy được mô phỏng một cách lỏng lẻo trên não người. Đầu tiên, một mạng nơ-ron lấy hình ảnh chất lượng cao từ một thiết bị và mô phỏng các hình ảnh bị suy giảm như thể chúng được chụp bằng một thiết bị khác có chất lượng thấp hơn. Điều này cho phép AI tìm hiểu "thiệt hại" hoặc sự khác biệt có hệ thống do các công cụ gây ra.
Sau đó, một mạng nơ-ron thứ hai được đào tạo để lấy những hình ảnh bị xuống cấp nhân tạo này và "hoàn tác" sự xuống cấp, khiến chúng trông giống như những hình ảnh chất lượng cao ban đầu. Khi làm như vậy, nó học cách hiệu chỉnh sự khác biệt giữa hai thiết bị, theo nghiên cứu mới.
Sau khi AI học được cách "sửa" các hình ảnh bị suy giảm chất lượng một cách nhân tạo, mạng nơ-ron thứ hai có thể được sử dụng để cải thiện độ phân giải và giảm nhiễu trong các hình ảnh thực, chất lượng thấp do các thiết bị cũ thu thập theo cách không làm biến dạng hoặc xóa các đặc điểm vật lý thực tế của mặt trời có trong dữ liệu gốc.
Các câu chuyện liên quan:
— Thời tiết vũ trụ: Nó là gì và được dự đoán như thế nào?
— Chu kỳ mặt trời: Nó là gì và tại sao nó lại quan trọng?
— An toàn là trên hết: NASA cam kết sử dụng AI một cách cẩn thận và có trách nhiệm
Khung AI này cho phép dữ liệu cũ được hưởng lợi hiệu quả từ khả năng của các các công cụ, cho phép các nhà khoa học đưa các quan sát lịch sử ít chi tiết lên chất lượng của dữ liệu hiện đại, theo tuyên bố.
"Dự án này chứng minh cách máy tính hiện đại có thể thổi luồng sinh khí mới vào dữ liệu lịch sử", đồng tác giả nghiên cứu Tatiana Podladchikova, thuộc Viện Khoa học và Công nghệ Skolkovo ở Nga, cho biết trong cùng một tuyên bố. "Công việc của chúng tôi không chỉ dừng lại ở việc cải thiện hình ảnh cũ — mà còn là tạo ra một ngôn ngữ chung để nghiên cứu sự tiến hóa của mặt trời theo thời gian."
Các nhà nghiên cứu đã áp dụng kỹ thuật này vào dữ liệu được thu thập bởi các kính viễn vọng không gian khác nhau trong hai chu kỳ mặt trời, kéo dài hơn hai thập kỷ một chút. Theo tuyên bố, phương pháp này đã cải thiện độ chi tiết trong hình ảnh mặt trời toàn đĩa, giảm hiện tượng nhòe và méo trong các quan sát trên mặt đất do nhiễu khí quyển gây ra và thậm chí ước tính được từ trường ở phía xa của mặt trời.
Nhóm nghiên cứu cũng đã áp dụng phương pháp này cho một vết đen mặt trời (NOAA 11106) được theo dõi trong khoảng một tuần vào tháng 9 năm 2010. Theo các phát hiện, AI đã tạo ra "hình ảnh từ tính" sắc nét và chi tiết hơn về vết đen mặt trời, cho phép các nhà khoa học quan sát cấu trúc từ tính của nó hiệu quả hơn so với dữ liệu gốc do Đài quan sát Mặt trời và Nhật quyển thu thập, một nỗ lực chung của NASA và Cơ quan Vũ trụ Châu Âu.
"Cuối cùng, chúng tôi đang xây dựng một tương lai mà mọi quan sát, quá khứ hay tương lai, đều có thể nói cùng một ngôn ngữ khoa học", Podladchikova cho biết trong tuyên bố.
Nghiên cứu này được mô tả trong bài báo được công bố ngày 2 tháng 4 trên tạp chí Nature Communications.
Đó là một trong những thông điệp chính của một nghiên cứu mới, trong đó lập luận rằng trí tuệ nhân tạo (AI) có thể thu hẹp khoảng cách ngày càng lớn giữa dữ liệu mặt trời mới và cũ hơn và giúp các nhà khoa học khám phá ra những khía cạnh bị bỏ qua trong quá trình tiến hóa lâu dài của ngôi sao của chúng ta.
Các thế hệ kính viễn vọng và thiết bị mặt trời mới liên tục cung cấp những góc nhìn chưa từng có về mặt trời. Những tiến bộ này, cho phép các nhà khoa học nắm bắt được các chi tiết phức tạp của các đợt bùng phát mặt trời và lập bản đồ từ trường của mặt trời với độ chính xác ngày càng cao, đóng vai trò quan trọng trong việc hiểu các quá trình phức tạp của nó và thúc đẩy những khám phá mới. Tuy nhiên, dữ liệu thu thập được từ mỗi thiết bị mới, mặc dù có chất lượng vượt trội, thường không tương thích với dữ liệu từ các thiết bị cũ hơn do độ phân giải, hiệu chuẩn và chất lượng khác nhau, khiến việc nghiên cứu cách mặt trời tiến hóa qua nhiều thập kỷ trở nên khó khăn, nghiên cứu mới lập luận.
Phương pháp tiếp cận mới dựa trên AI khắc phục những hạn chế này bằng cách xác định các mẫu và mối quan hệ trong các tập dữ liệu từ các thiết bị và loại dữ liệu mặt trời khác nhau, chuyển chúng thành một định dạng chung, chuẩn hóa. Điều này cung cấp cho các nhà khoa học một kho lưu trữ phong phú và nhất quán hơn về các quan sát mặt trời cho nghiên cứu của họ, đặc biệt là đối với các phân tích dài hạn về các vết đen mặt trời lịch sử, các sự kiện hiếm gặp và các nghiên cứu đòi hỏi phải kết hợp dữ liệu từ nhiều thiết bị, các tác giả nghiên cứu cho biết.
Liên quan: Mặt trời của Trái đất: Sự thật về tuổi tác, kích thước và lịch sử của mặt trời
"AI không thể thay thế các quan sát, nhưng nó có thể giúp chúng ta tận dụng tối đa dữ liệu mà chúng ta đã thu thập được", Robert Jarolim, người phát triển các thuật toán tiên tiến để xử lý hình ảnh mặt trời tại Đại học Graz ở Áo và là người đứng đầu nghiên cứu mới, cho biết trong statement. "Đó là sức mạnh thực sự của phương pháp tiếp cận này."
Phương pháp AI do Jarolim và nhóm của ông phát triển về cơ bản có thể dịch các quan sát từ thiết bị này sang thiết bị khác, ngay cả khi các thiết bị đó không bao giờ hoạt động cùng lúc. Nghiên cứu mới cho thấy điều đó khiến phương pháp tiếp cận dựa trên dữ liệu của họ có thể áp dụng cho nhiều tập dữ liệu hình ảnh thiên văn.
Nhóm đã đạt được điều này thông qua quy trình hai bước liên quan đến mạng nơ-ron, một loại thuật toán học máy được mô phỏng một cách lỏng lẻo trên não người. Đầu tiên, một mạng nơ-ron lấy hình ảnh chất lượng cao từ một thiết bị và mô phỏng các hình ảnh bị suy giảm như thể chúng được chụp bằng một thiết bị khác có chất lượng thấp hơn. Điều này cho phép AI tìm hiểu "thiệt hại" hoặc sự khác biệt có hệ thống do các công cụ gây ra.
Sau đó, một mạng nơ-ron thứ hai được đào tạo để lấy những hình ảnh bị xuống cấp nhân tạo này và "hoàn tác" sự xuống cấp, khiến chúng trông giống như những hình ảnh chất lượng cao ban đầu. Khi làm như vậy, nó học cách hiệu chỉnh sự khác biệt giữa hai thiết bị, theo nghiên cứu mới.
Sau khi AI học được cách "sửa" các hình ảnh bị suy giảm chất lượng một cách nhân tạo, mạng nơ-ron thứ hai có thể được sử dụng để cải thiện độ phân giải và giảm nhiễu trong các hình ảnh thực, chất lượng thấp do các thiết bị cũ thu thập theo cách không làm biến dạng hoặc xóa các đặc điểm vật lý thực tế của mặt trời có trong dữ liệu gốc.
Các câu chuyện liên quan:
— Thời tiết vũ trụ: Nó là gì và được dự đoán như thế nào?
— Chu kỳ mặt trời: Nó là gì và tại sao nó lại quan trọng?
— An toàn là trên hết: NASA cam kết sử dụng AI một cách cẩn thận và có trách nhiệm
Khung AI này cho phép dữ liệu cũ được hưởng lợi hiệu quả từ khả năng của các các công cụ, cho phép các nhà khoa học đưa các quan sát lịch sử ít chi tiết lên chất lượng của dữ liệu hiện đại, theo tuyên bố.
"Dự án này chứng minh cách máy tính hiện đại có thể thổi luồng sinh khí mới vào dữ liệu lịch sử", đồng tác giả nghiên cứu Tatiana Podladchikova, thuộc Viện Khoa học và Công nghệ Skolkovo ở Nga, cho biết trong cùng một tuyên bố. "Công việc của chúng tôi không chỉ dừng lại ở việc cải thiện hình ảnh cũ — mà còn là tạo ra một ngôn ngữ chung để nghiên cứu sự tiến hóa của mặt trời theo thời gian."
Các nhà nghiên cứu đã áp dụng kỹ thuật này vào dữ liệu được thu thập bởi các kính viễn vọng không gian khác nhau trong hai chu kỳ mặt trời, kéo dài hơn hai thập kỷ một chút. Theo tuyên bố, phương pháp này đã cải thiện độ chi tiết trong hình ảnh mặt trời toàn đĩa, giảm hiện tượng nhòe và méo trong các quan sát trên mặt đất do nhiễu khí quyển gây ra và thậm chí ước tính được từ trường ở phía xa của mặt trời.
Nhóm nghiên cứu cũng đã áp dụng phương pháp này cho một vết đen mặt trời (NOAA 11106) được theo dõi trong khoảng một tuần vào tháng 9 năm 2010. Theo các phát hiện, AI đã tạo ra "hình ảnh từ tính" sắc nét và chi tiết hơn về vết đen mặt trời, cho phép các nhà khoa học quan sát cấu trúc từ tính của nó hiệu quả hơn so với dữ liệu gốc do Đài quan sát Mặt trời và Nhật quyển thu thập, một nỗ lực chung của NASA và Cơ quan Vũ trụ Châu Âu.
"Cuối cùng, chúng tôi đang xây dựng một tương lai mà mọi quan sát, quá khứ hay tương lai, đều có thể nói cùng một ngôn ngữ khoa học", Podladchikova cho biết trong tuyên bố.
Nghiên cứu này được mô tả trong bài báo được công bố ngày 2 tháng 4 trên tạp chí Nature Communications.
