AIの貢献は大きいですね！ニューラルネットワークが太陽画像の3D再構成を実行し、太陽極を初めて明らかにする
作者：プラスゼロ
編集者: Li Baozhu、三陽
コロラド州の国立大気研究センター（NCAR）の研究者らは、NeRFのニューラルネットワークを使用して太陽の2次元画像を3次元の再構成に変換し、太陽の極を初めて明らかにした。
極端紫外線 (EUV、Extreme Ultraviolet) は、10 ～ 120 nm の範囲の波長を持つ太陽放射を指します。EUV は、地球低軌道衛星の大気抵抗に影響を与えるだけでなく、人間の健康にも脅威をもたらします。 EUV 放射は、視力喪失、皮膚の日焼け、さらには皮膚がんなどの重篤な病気を引き起こす可能性があります。
EUV の予測は完全な太陽画像と切り離すことができません。しかし、現在の EUV 撮像衛星は太陽赤道 (黄道) 付近の画像しか撮影できず、黄道以外の一部の視点を直接観測することはできません。大気の影響と相まって、2 次元グラフィックスでは正確な位置マッピングが得られず、限られた時間内に大量の画像を処理することも困難であるため、太陽の 3 次元幾何学的構造を再構成することは非常に困難です。 。
この問題を解決するには、コロラド州国立大気研究センター（NCAR）の太陽物理学者であるブノワ・トレンブレイ氏らは、NeRFのニューラルネットワークを使用して太陽の二次元画像を三次元再構成に変換し、太陽の極を初めて明らかにした。非黄道観測点の場合、モデルのピーク信号対雑音比は 43.3 dB、平均絶対相対誤差は 0.3% であり、一貫した太陽の 3D 再構成画像が得られます。
人工知能が太陽の極域の1つを再構築する
この領域は現実には観測されたことがありません
用紙のアドレス:
https://arxiv.org/abs/2211.14879
公式アカウントをフォローして「太陽の画像」とリプライすると全文ダウンロードできます
実験プロセス: 太陽の 3D 復元
データセット: 太陽前方モデル画像
研究者らは、Predictive Science Inc (PSI) の太陽コロナの磁気流体力学 (MHD) シミュレーションを使用して、太陽大気中のプラズマ パラメーターと磁場の全球的な 3 次元分布を推定しました。等間隔の観測点から撮影した太陽の 193 年前方モデル画像 256 枚を選択し、そのうち黄道上の 32 観測点をトレーニングセットとして使用し、黄道を越えた緯度の観測点をテストセットとして使用しました。
トレーニング用の太陽画像
a: 2019-07-02 20:41:08 (UT) 黄道から撮影された 193 Å の太陽の衛星画像。
b: 太陽の 3D モデルから抽出された衛星視点のシミュレーション画像。
c: 3D モデルから抽出された 256 個の観測点の位置。トレーニング セット (ピンク) とテスト セット (緑色) にどの視点が使用されたかを示すために色分けされています。
アルゴリズム構造：SuNeRFモデル
目的: 一連のトレーニング画像から太陽の 3D ジオメトリを再構築します。
方法: ボリュームをシミュレートするように設計されたニューラル ネットワークを使用して、各座標点 (x、y、z) が放出および吸収係数 (ε、κ) にマッピングされます。
関数: ピクセルごとに、母集団から光線をサンプリングします。
放射伝達原理: 放射伝達の原理に基づく総強度の計算。
SuNeRF モデルのアーキテクチャ
トレーニング プロセス: 2D 画像の 3D 再構成
NeRFs ニューラル ネットワークを変更し、アルゴリズム トレーニング用の SuNeRFs ニューラル ネットワークを構築します。
NeRF モデルを変更する: NeRF モデルの密度と色の予測を放出係数と吸収係数に置き換えて、太陽の物理的現実に適合するように NeRF モデルを調整します。
放出と吸収の計算: 各ピクセルについて、光線経路に沿った点をサンプリングすることによって総発光が計算されます。各点 (x、y、z) での放射係数と吸収係数 (ϵ、κ) を予測し、κ にサンプリングされた光線距離 (ds) を乗算して放射 (I) を計算し、吸収 (A) を exp(κ * として定義します) ds )、各点で 0 と 1 の間でスケーリングします。
合計観測強度を計算する: すべてのサンプリング ポイントを統合し、原点から観測者までの光線経路上の吸収を考慮し、統合された強度値を使用して合計観測強度 (I_total) を計算します。
画素値の最適化:asinh ストレッチを適用してトレーニング値の範囲を最適化します。
太陽の幾何学形状に適応した NeRF 線サンプリング: 太陽から [-1.3, 1.3] 太陽半径以内からのサンプル光線。
AI が太陽の 2D 衛星画像（左）を 3D 再構成画像（中）に変換
そしてこれまでに見たことのない太陽極域の推定プロセス（右）。
トレーニングには、NVIDIA A100 GPU で約 30 エポック、バッチ サイズ 8096 レイを使用して約 19 時間かかりました。 1986 年に Rumelhart らによって提案されたバックプロパゲーション アルゴリズムが採用され、適応モーメント推定 (Adam) オプティマイザー (Kingma and Ba, 2015) が使用され、学習率 lr = 5 × 10^-4、平均二乗誤差 ( MSE) を損失関数として使用します。
実験結果：高精度な3D再構成
モデルの不確実性は、異なる初期化を使用して 5 つの SuNeRF のアンサンブルをフィッティングし、出力の標準偏差を計算することによって推定されました。
品質評価: 図 (a) は、シミュレーションにおける各視点のピーク信号対雑音比 (PSNR) と構造類似性 (SSIM) を示しています。 SuNeRF は、最小 SSIM 0.97 で高品質の結果を提供します。黄道面に近い点では誤差が最小になりますが、トレインとテストの分割で予想されるように、誤差は緯度が増加するにつれて徐々に増加します。
機種比較: 図 (b) は、モデルとベースライン手法を比較しています。高緯度では、単純な再投影ではアーティファクトやグラウンド トゥルースからの大きな逸脱が示されますが、SuNeRF モデルではほぼ同一の画像が表示されます。差分マップは、主な誤差が太陽の縁付近と周縁領域で発生していることを示しており、これは不確実性マップにも反映されています。再投影法ではエッジ領域を処理できないことに注意してください。
SuNeRFを評価する
a) 256 の視点で評価された PSNR と SSIM。対応する緯度と経度の点で表されます。色は再構築の品質を示し、値が大きいほどグラウンド トゥルースとの一致が良好であることを示します。 ±7 緯度の赤い破線は、トレーニング ビューとテスト ビューの分離を示しています。
(b) 異なる緯度でのベースライン手法 (球面再投影、1 行目)、シミュレートされたデータ (グラウンド トゥルース、2 行目)、および SuNeRF 再構成 (3 行目) の定性的比較。差分プロット (4 行目) は、私たちの方法がグラウンド トゥルースから逸脱している領域を特定します。不確実性の推定値 (5 行目) は誤差と一致しています。
次の表は、テスト セット全体の定量的評価の結果をまとめたものです。SuNeRF モデルはベースライン手法を大幅に上回り、オーバーシュートや過小評価の兆候は見られず、高精度の太陽の 3D 再構成が得られます。
クアフ氏：「日本を追いかける」という中国人の夢
太陽は私たちに最も近い星であり、詳細に研究できる唯一の星です。それは私たちに光と暖かさをもたらしてくれますが、同時に地球にも大きな影響を与えます。そのため、人々は長年にわたって太陽の謎の探求をやめることはなく、「風と太陽を追う」ことは常に中国の科学研究者たちの夢でした。
2021年に打ち上げられたXiheは、我が国の太陽探査プロジェクトのパスファインダーと言えますが、一方、Kuafu-1（ASO-S）は、紫外線、可視光線、光線から太陽の観測を行うことができる万能型です。 X線バンドの観察。我が国が打ち上げた２つの太陽探査衛星は、それぞれ独自の焦点を持っており、世界の太陽物理学研究分野における我が国の影響力を共同で高め、我が国の科学者にとって「太陽を追う」最強のパートナーとなるでしょう。
包括的な太陽探査のための我が国の専用衛星として、クアフ 1 号は 3 つの初の成果を達成しました。
- 初めて、「1 つの磁気嵐、2 つの嵐」が科学的目標として使用され、対応する負荷の組み合わせが設定されました。
- 初めて、太陽表面全体のベクトル磁場、太陽フレアの非熱放射イメージング、コロナ質量放出による太陽表面の形成とコロナの伝播が、単一の衛星プラットフォーム上で同時に観測されました。
- ライマンアルファ帯で初めて太陽全体とコロナの同時観測に成功
ますます成熟するAI技術が満を持しての弓だとすれば、人類の豊かな知識欲は神秘的な深宇宙へ飛び立つ矢である。
参考文献:
https://ml4physicalsciences.github.io/2022/files/NeurIPS_ML4PS_2022_170.pdf