Auteur : Add Zero

Rédacteur en chef : Li Baozhu, Sanyang

Des chercheurs du Centre national de recherche atmosphérique (NCAR) du Colorado ont utilisé le réseau neuronal NeRF pour convertir des images bidimensionnelles du soleil en reconstructions tridimensionnelles, révélant pour la première fois les pôles du soleil.

Le rayonnement ultraviolet extrême (EUV) fait référence au rayonnement solaire dont la longueur d’onde est comprise entre 10 et 120 nm. Bien que l’EUV affecte la traînée atmosphérique des satellites en orbite terrestre basse, il constitue également une menace pour la santé humaine. Une exposition excessive aux rayonnements EUV peut entraîner une perte de vision, des coups de soleil et même des maladies graves telles que le cancer de la peau.

La prédiction EUV est indissociable d’une image solaire complète. Cependant, les satellites d'imagerie EUV actuels ne peuvent prendre des images qu'autour de l'équateur solaire (écliptique) et ne peuvent pas observer directement certains points de vue non écliptiques. Couplé à l'influence de l'atmosphère, les graphiques bidimensionnels ne permettent pas d'obtenir une cartographie de position précise, et il est également difficile de traiter un grand nombre d'images dans un temps limité. Ces obstacles rendent assez difficile la reconstruction de la structure géométrique tridimensionnelle du soleil.

Pour résoudre ce problème,Benoit Tremblay, physicien solaire au Centre national de recherche atmosphérique (NCAR) du Colorado, et ses collègues ont utilisé le réseau neuronal NeRF pour convertir des images bidimensionnelles du soleil en reconstructions tridimensionnelles, révélant pour la première fois les pôles du soleil.Pour les points d'observation non écliptiques, le modèle présente un rapport signal/bruit maximal de 43,3 dB et une erreur relative absolue moyenne de 0,3%, fournissant une image tridimensionnelle reconstruite cohérente du Soleil.

L'intelligence artificielle reconstitue l'une des régions polaires du soleil

Cette zone n’a jamais été observée dans la vie réelle.

Adresse du document :
https://arxiv.org/abs/2211.14879
Suivez le compte officiel et répondez « image solaire » pour télécharger le texte intégral

Processus expérimental : reconstruction 3D du soleil

Ensemble de données : Images du modèle solaire direct

Les chercheurs ont utilisé les simulations magnétohydrodynamiques (MHD) de la couronne solaire de Predictive Science Inc (PSI) pour estimer la distribution tridimensionnelle globale des paramètres du plasma et des champs magnétiques dans l'atmosphère solaire. Au total, 256 images du modèle direct du Soleil prises à partir de points d'observation régulièrement espacés sur une période de 193 ans ont été sélectionnées, dont 32 points d'observation sur l'écliptique ont été utilisés comme ensemble d'entraînement et des points d'observation à des latitudes extérieures à l'écliptique ont été utilisés comme ensemble de test.

Images du soleil pour l'entraînement

a: 2019-07-02 20:41:08 (UT) Image satellite du Soleil à 193 Å prise depuis l'écliptique ;
b : Image simulée du point de vue satellite extraite du modèle 3D du soleil ;
c : Emplacements de 256 points d'observation extraits du modèle 3D, codés par couleur pour indiquer quels points de vue ont été utilisés pour l'ensemble d'entraînement (rose) et l'ensemble de test (vert).

Structure de l'algorithme : modèle SuNeRF

But:Reconstruire la géométrie 3D du Soleil à partir d'un ensemble d'images d'entraînement.
méthode:Chaque point de coordonnées (x, y, z) est mappé aux coefficients d'émission et d'absorption (ε, κ) à l'aide d'un réseau neuronal conçu pour simuler le volume.

Fonction:Pour chaque pixel, échantillonnez un rayon de la population.

Principe du transfert de rayonnement:Calcul de l'intensité totale basé sur le principe de transfert de rayonnement.

Architecture du modèle SuNeRF

Processus de formation : reconstruction 3D d'images 2D

Le réseau neuronal NeRFs est modifié et le réseau neuronal SuNeRFs est construit pour la formation des algorithmes.

Modification du modèle NeRF:Ajuster le modèle NeRF pour l'adapter à la réalité physique du Soleil, en remplaçant les prédictions de densité et de couleur du modèle NeRF par des coefficients d'émission et d'absorption.

Calculs d'émission et d'absorption:Pour chaque pixel, l'émission totale est calculée en échantillonnant des points le long du trajet du rayon. Les coefficients d'émission et d'absorption (ϵ, κ) sont prédits en chaque point (x, y, z). L'émission (I) est calculée en multipliant κ par la distance du rayon d'échantillonnage (ds). L'absorption (A) est définie comme exp(κ * ds), mise à l'échelle entre 0 et 1 à chaque point.

Calculer l'intensité totale observée: Intégrez tous les points d'échantillonnage, en tenant compte de l'absorption sur le trajet du rayon de l'origine à l'observateur, et utilisez la valeur d'intensité intégrée pour calculer l'intensité totale observée (I_total).

Optimisation de la valeur des pixels: Appliquez l'étirement asinh pour optimiser la plage de valeurs pour l'entraînement.

Échantillonnage des rayons NeRF adapté à la géométrie solaire:Échantillon de rayons du soleil dans la plage de rayon solaire de [-1,3, 1,3] du soleil.

L'IA transforme une image satellite 2D du soleil (à gauche) en une reconstruction 3D (au centre)

Et calculé le processus de la région polaire solaire (à droite) qui n'a jamais été vu auparavant

La formation a duré environ 19 heures sur un GPU NVIDIA A100 utilisant environ 30 époques avec une taille de lot de 8096 rayons. L'algorithme de rétropropagation proposé par Rumelhart et al. en 1986 a été adopté, l'optimiseur d'estimation de moment adaptatif (Adam) (Kingma et Ba, 2015) a été utilisé, le taux d'apprentissage lr = 5 × 10^-4 et l'erreur quadratique moyenne (MSE) ont été utilisés comme fonction de perte.

Résultats expérimentaux : reconstruction 3D de haute précision

L'incertitude du modèle est estimée en ajustant un ensemble de cinq SuNeRF avec différentes initialisations et en calculant l'écart type de la sortie.

Évaluation de la qualité:La figure (a) montre le rapport signal/bruit maximal (PSNR) et la similarité structurelle (SSIM) de chaque point de vue dans la simulation. SuNeRFs fournit des résultats de haute qualité avec un SSIM minimum de 0,97. Les points proches du plan écliptique présentent la plus petite erreur, tandis que l'erreur augmente progressivement avec la latitude, comme prévu à partir de la séparation entre l'entraînement et le test.

Comparaison de modèles: La figure (b) compare le modèle avec la méthode de base. À des latitudes plus élevées, une simple reprojection montre des artefacts et de grands écarts par rapport à la vérité terrain, tandis que le modèle SuNeRF restitue presque la même image. Les cartes des différences montrent que les principales erreurs se produisent à proximité et autour du bord du Soleil, ce qui se reflète également dans les cartes d’incertitude. Il convient de noter que la méthode de reprojection ne peut pas gérer les zones de bord.

Évaluation de SuNeRF

a) PSNR et SSIM évalués à 256 points de vue, représentés par des points aux latitudes et longitudes correspondantes. La couleur indique la qualité de la reconstruction, les valeurs plus grandes indiquant une meilleure concordance avec la vérité fondamentale. La ligne pointillée rouge à ± 7 degrés de latitude marque la séparation entre les points de vue de formation et de test ;
(b) Comparaison qualitative de la méthode de base (reprojection sphérique ; première ligne), des données simulées (vérité terrain ; deuxième ligne) et de la reconstruction SuNeRF (troisième ligne) à différentes latitudes. Les cartes de différences (quatrième rangée) identifient les régions où notre méthode s’écarte de la vérité fondamentale. Les estimations d’incertitude (cinquième ligne) sont cohérentes avec les erreurs.

Le tableau ci-dessous résume les résultats de l’évaluation quantitative sur l’ensemble des tests. Le modèle SuNeRF surpasse largement la méthode de base et ne montre aucun signe de surestimation ou de sous-estimation, atteignant une grande précision dans la reconstruction 3D du Soleil.

Kuafu : le rêve chinois de chasser le soleil

Le Soleil est l’étoile qui nous est la plus proche et la seule qui puisse être étudiée en détail. Elle nous apporte lumière et chaleur, mais elle a également un impact significatif sur la terre. C'est pourquoi les gens n'ont jamais cessé d'explorer les mystères du soleil au fil des ans, et « chasser le vent et le soleil » a toujours été le rêve des chercheurs scientifiques chinois.

Le Xihe, lancé en 2021, peut être qualifié de pionnier du projet d'exploration solaire de mon pays, tandis que le Kuafu-1 (ASO-S) est un appareil polyvalent dans l'observation du soleil, qui peut observer le soleil à partir des bandes ultraviolettes, visibles et X. Les deux satellites d'exploration solaire lancés par mon pays ont leurs propres objectifs et renforceront conjointement l'influence de mon pays dans le domaine de la recherche mondiale en physique solaire et deviendront le partenaire le plus solide des scientifiques chinois dans la « poursuite du soleil ».

En tant que satellite d’exploration solaire complet de mon pays, Kuafu-1 a réalisé trois premières :

1. Pour la première fois, « un champ magnétique et deux tempêtes » ont été sélectionnés comme cibles scientifiques et la combinaison de charges utiles correspondante a été configurée.
2. Pour la première fois, le champ magnétique vectoriel complet du disque solaire, l'imagerie du rayonnement non thermique des éruptions solaires, la formation du disque solaire des éjections de masse coronale et la propagation coronale ont été observés simultanément sur une seule plate-forme satellite.
3. Pour la première fois, le disque solaire complet et la couronne sont observés simultanément dans la bande Lyman-alpha

Si la technologie de l’IA, de plus en plus mature, est un arc entièrement tendu, alors le riche désir de connaissance des êtres humains est une flèche qui vole dans l’espace profond et mystérieux.

Références :

https://ml4physicalsciences.github.io/2022/files/NeurIPS_ML4PS_2022_170.pdf

https://www.cas.cn/cm/202103/t20210316_4781101.shtml