宇宙物質の「地球衝突」を恐れるな！中国科学院のチームは、人間の識別結果に近い、コロナ質量放出を識別するための新しい方法を提案した

コロナ質量放出（略してCME）は、太陽から惑星間空間に放出される大規模なプラズマクラスターであり、太陽から放出されるエネルギーの一種であり、宇宙天気に影響を与える主な要因の1つです。コロナの大規模な質量放出は、通信、航行、航空活動、送電網の運用などに影響を及ぼします。安全上の脅威や資産の損失を避けるために、コロナ質量放出が地球に「当たる」か「外れる」かを正確に判断し、コロナ質量放出の到着時間を予測します。それに関連する研究は非常に重要です。

太陽太陽圏天文台 (SOHO) 衛星に搭載された LASCO コロナグラフのデータに基づいて、NASA の CDAW データ センターの研究者が 1996 年から現在までの CME 観測のカタログを手動で編集しました。このカタログには、各 CME イベントの時刻と期間が記録されています。位置角度、角度幅、速度などの物理量は、CME 関連の研究に重要な基礎データを提供します。ただし、大量のデータに直面すると、手動による識別には時間と労力がかかるという欠点があります。この分野では、CME の自動識別がより積極的に研究されるようになりました。

中国科学院国立宇宙科学センターの太陽活動と宇宙天気の主要研究室の研究チームは、「コロナ質量放出運動学を決定するためのアルゴリズム」と題する論文を天体物理学ジャーナルのパラメータベースの付録シリーズに発表した。機械学習に関する論文」。本稿では、機械学習に基づくCME同定およびパラメータ取得手法を提案する。 CME マニュアル カタログやいくつかの古典的な自動識別方法と比較して、この方法は非常に効率的かつ高速で、比較的弱い CME 信号を識別でき、正確な CME 形態学的情報が得られます。

研究のハイライト:

※機械学習に基づくCME識別・パラメータ自動取得方式は高効率かつ高速で、比較的弱いCME信号も識別できます。

※この方法で得られたパラメータは人間による手作業による同定の結果に近いものとなります。

※この手法で検出したCME構造は、CME到着時刻予測やCME三次元再構成などにも利用可能です。

用紙のアドレス:
https://iopscience.iop.org/article/10.3847/1538-4365/ad2dea 

公式アカウントをフォローし、バックグラウンドで「Coronal Mass Ejection」に返信すると、完全な PDF が表示されます

データセット: 画像を正確に分類する

研究者らは、CDAW CME カタログ Web サイトから CME 関連のイベント記録 (CME の出現、終了時間、コメントを含む) を取得し、2013 年から 2018 年までの LASCO の C2 および C3 コロナグラフの毎日の運用差分画像をダウンロードしました。選択した時間範囲は 24 太陽周期の半分をカバーし、太陽極大期から太陽極小期までの代表的でバランスの取れた CME サンプルと非 CME サンプルを提供できます。さらに、太陽周期 24 の残りのデータは検証のために保持されます。

研究者らは、画像分類用の CNN モデルをトレーニングし、CME 特徴をさらに追跡するニーズを満たすデータを提供するため、NASA/CDAW Web サイトをデータ ソースとして選択しました。

各 CME イベントの記録に基づいて、研究者は各画像に対して反復を実行しました。画像の露出時間がレコード エントリの出現時間と終了時間の間にある場合、画像にはそのエントリに対応するメモのタグが付けられます。逆に、画像の露出時間がどのレコードにも一致しない場合、画像には「No-CME」のタグが付けられます。 。

研究方法: コアパラメータを確認するための 3 つのステップ

機械学習に基づく CME の識別とパラメータの取得方法は、次の 3 つのステップに分かれています。

初め、画像が正しく分類された後、研究者はニューラル ネットワークの最後の畳み込み層から畳み込み特徴マップを抽出し、その特徴マップに PCA アルゴリズム (主成分分析) を適用して同じオブジェクトの情報を取得し、 Otsu アルゴリズム (画像の 2 値化セグメンテーションのしきい値を決定するアルゴリズム) と形態学的演算により、正確な CME ピクセル ラベリングを取得します。

第二に、画像シーケンスの各フレームをスキャンし、軌道マッチング アルゴリズムを使用して、コロナグラフの視野内で太陽から離れる CME の伝播軌道を追跡します。

やっと、前のステップで取得した軌道に基づいて、速度、CPA (中心位置角度)、AW (角度幅) などの CME の運動学的パラメーターが導出されます。

研究結果：機械学習に基づくCME識別およびパラメータ自動取得手法は効率的かつ高速です。

実際の観測におけるこの方法のパフォーマンスを評価するために、研究者らは、2010 年から 2012 年までの速度と AW が異なる代表的なイベントを選択し、AW の昇順で分析しました。選択されたコロナ質量放出の AW 範囲は 78° ～ 360°、速度範囲は 288 ～ 1205km s です。^-1 。同時に研究者らは、新たに提案した手法の結果を他の古典的な CME 自動追跡ディレクトリ (CACTus、CORIMP、SEEDS) と比較しました。

事件 1: 2012 年 2 月 14 日に発生した CME 事件。

コロナ質量放出イベントは、2012 年 2 月 14 日にコロナグラフの視野の西側から発射されました。下図は上からCACTus、CORIMP、SEEDS、本研究で提案した手法の検出プロットを示しています。

上図の最初の 3 行では、検出された CME 領域が異なる色と記号で示されています。 CACTus 検出マップでは、検出された CME エリアが白い直線で囲まれています。 CORIMP 検出マップでは、赤い点は最も強い最外側前線の軌道を表し、黄色の点は検出された構造全体を表します。 SEEDSの検査マップでは、青い点はリーディングエッジの位置を表し、赤い点はセグメンテーション技術を使用して作成されたリーディングエッジのおおよその輪郭を表しています。この研究で提案された方法の最後の行では、図の青色は無関係な背景を示し、暖色はピクセルが CME の一部である可能性が高いことを示しています。

北西象限では、この研究の検出結果ではより明るい線と点が示されています。これらは、本研究で提案した手法でのみ検出できる小さくて弱い瞬間噴火の痕跡であり、微弱な信号を検出できることが実証されました。

事件 2: 2012 年 1 月 15 日に発生した CME 事件。

CACTus、CORIMP、SEEDS、および新たに提案した手法の検出結果から、上から数フレームを選択して表示し、比較しました。

すべての方法でCME本体を検出し、しかし、本研究で提案した手法は、他の手法では検出できなかった、本体以外の弱いまたは小さいCME特徴を発見しました。上図から、新たに提案した手法により CME 領域を背景から分離することができたことがわかります。

事件 3: 2011 年 3 月 8 日に発生した CME 事件。

この CME イベントは 2011 年 3 月 8 日に発生しました。CACTus、CORIMP、SEEDS の検出チャートと本研究で提案した手法は次のとおりです。

これらの手法のうち、本研究で提案した手法と CORIMP は 4 時と最も早く CME を検出しましたが、他の手法では 12 分後に CME を検出しました。

上記の結果に基づいて、次のように結論付けることができます。CME マニュアル カタログおよびいくつかの古典的な自動識別方法と比較して、本研究で提案した機械学習ベースのCME識別および自動パラメータ取得手法は、高効率かつ高速であり、比較的弱いCME信号を識別し、正確なCME形態情報を提供することができます。その追跡方法は比較的直観的であり、得られるパラメータは人間の手動認識の結果に近いものです。さらに、この方法によって検出されたCME構造は、CME到着時間予測やCME三次元再構成などの他の側面にも使用できます。

人工知能が「圧倒された」天文学者を救う

近年、技術の進歩に伴い、天体物理学の研究では膨大な量のデータが生成されています。たとえば、上記の CME 関連の研究に加えて、有名な Sloan Digital Sky Survey は 2000 年に開始され、約 300 万個の天体を観測し、そのデータ量は約 40 TB に達しました。現在実施中のダークエネルギー調査は、80TBの科学グレードのスペクトルデータの最初のバッチを公開しました。これは、以前に完了した空の調査の全データ量とほぼ同じです。

天文学者が大型の総合測量望遠鏡や観測機器から得られる膨大なデータから、研究に役立つ貴重な情報を見つけようとするなら、それは宇宙の星を漁ることと同じです。これらのデータを効率的に処理する方法は、現代の天文学が直面する重要な課題となっています。大量のデータの分析と処理における人工知能の優れた利点により、人工知能は自然に天文学者の視野に入り、天文学者の「負担を軽減する」ための強力なアシスタントとなっています。

2017年にはすでに、NASAは、Googleの人工知能チームが開発したニューラルネットワークが2つの新たな系外惑星を発見したと発表した。惑星の 1 つは「ケプラー 90i」と番号が付けられており、その星系には 8 つの惑星があります。この星系の惑星の数は太陽系の惑星の数と同じです。しかし、ケプラー 90i 惑星は地球より 30% 大きく、スーパーアースです。

2021年の世界人工知能会議では、テンセント取締役会会長の馬化騰氏は、テンセントが国立天文台と共同で「星探査計画」を立ち上げることを明らかにした。AI テクノロジーを使用してパルサーを見つけ、宇宙を探索します。 Tencent Youtu Lab の最先端のコンピュータ ビジョン テクノロジーと Tencent Cloud のコンピューティング能力に基づいて、両社は「クラウド + AI」を使用して、China Sky Eye FAST が毎日受信する膨大なデータを処理し、ビジュアル AI を通じてパルサーの手がかりを見つけるのを支援します。近接連星系における迅速な電波バーストやパルサー探索を支援する解析。

2022 年 6 月ポルトガルの研究者は、観測対象が星、銀河、クエーサー、超新星、星雲のいずれであるかを自動的に識別する人工知能ソフトウェア「SHEEP」を開発した。他のパターン認識ソフトウェアとは異なり、SHEEP ソフトウェアは、まず分類パターンの追加特徴として赤方偏移データを計算し、次に観察画像と座標データを組み合わせることでカタログ化されたオブジェクトを分類します。関連する結果は、「Astronomy and Astrophysics」誌に掲載されました。

今日、ますます多くの科学研究者が強力な探査ツールとして AI テクノロジーを使用し、豊富で複雑なデータの提供、銀河の分類、データのフィルタリングによる信号の取得、パルサーの発見、珍しい系外惑星の特定などを行っています。これにより、天文学の分野での革新が促進されています。 AIが新たな活力を刺激し、新たな可能性を生み出すことは間違いありません。

参考文献:
1.https://iopscience.iop.org/article/10.3847/1538-4365/ad2dea
2.https://mp.weixin.qq.com/s/7frn8XvRJ-QWHCFwtsixzw
3.http://www.stdaily.com/index/kejixinwen/202207/d42b187caded4c7db61582566d7a6ce6.shtml
4.https://www.most.gov.cn/gnwkjdt/202206/t20220624_181299.html