우주 물질이 "지구와 충돌"할까봐 걱정하지 마세요! 중국과학원 연구팀은 코로나 질량 방출을 식별하는 새로운 방법을 제안했는데, 이는 인간의 식별 결과에 가깝습니다.

코로나 질량 방출(CME)은 태양에서 행성 간 공간으로 방출되는 대규모 플라스마 질량입니다. 이는 태양에서 방출되는 에너지의 한 형태이며 우주 날씨에 영향을 미치는 주요 요인 중 하나입니다. 대규모 코로나 질량 방출 사건은 통신, 항해, 항공 활동, 전력망 운영 등에 영향을 미칠 수 있습니다. 보안 위협과 자산 손실을 방지하기 위해코로나 질량 방출이 지구에 "충돌"할지 "빗나갈"지 정확하게 판단하고, 코로나 질량 방출이 도착하는 시간을 예측합니다.관련 연구는 매우 중요합니다.

NASA CDAW 데이터 센터의 연구자들은 SOHO(태양 및 태양권 관측 위성)의 LASCO 코로나그래프에서 얻은 데이터를 바탕으로 1996년부터 현재까지의 CME 관측 카탈로그를 수동으로 편집했습니다. 이 카탈로그는 각 CME 사건의 시간, 위치 각도, 각도 폭, 속도 및 기타 물리적 수량을 기록하여 CME 관련 연구를 위한 중요한 기본 데이터를 제공합니다. 그러나 엄청난 양의 데이터에 직면하여 수동 식별은 시간이 많이 걸리고 노동 집약적이며, CME의 자동 식별은 이 분야에서 보다 활발한 연구 방향이 되었습니다.

중국과학원 산하 국가우주과학센터 태양 활동 및 우주 날씨 핵심실험실 연구팀은 천체물리학 저널 보충 시리즈에 "기계 학습을 기반으로 한 코로나 질량 방출 운동학적 매개변수 결정을 위한 알고리즘"이라는 제목의 논문을 발표했습니다. 본 논문에서는 머신러닝을 기반으로 한 CME 식별 및 매개변수 수집 방법을 제안한다. CME 수동 카탈로그와 일부 고전적인 자동 식별 방법과 비교했을 때, 이 방법은 효율적이고 빠르며, 비교적 약한 CME 신호를 식별하고 정확한 CME 형태 정보를 제공할 수 있습니다.

연구 하이라이트:

* 머신러닝을 기반으로 한 CME 식별 및 매개변수 자동 획득 방식은 효율성과 속도가 매우 뛰어나며, 상대적으로 약한 CME 신호를 식별할 수 있습니다.

* 본 방법을 통해 얻은 매개변수는 사람이 수동으로 인식한 결과와 유사합니다.

* 이 방법으로 검출된 CME 구조는 CME 도착 시간 예측, CME 3D 재구성 등의 다른 연구에도 활용될 수 있습니다.

서류 주소:
https://iopscience.iop.org/article/10.3847/1538-4365/ad2dea 

공식 계정을 팔로우하고 "코로나 질량 방출"에 답글을 달면 전체 PDF를 받을 수 있습니다.

데이터 세트: 이미지를 정확하게 분류

연구진은 CDAW CME 카탈로그 웹사이트에서 CME 관련 이벤트 기록(CME 출현 및 종료 시간, 주석 포함)을 얻었고, 2013년부터 2018년까지 LASCO C2 및 C3 코로나그래프의 일일 운영 차이 이미지를 다운로드했습니다. 선택된 시간 범위는 24번째 태양주기의 절반을 포함하며, 이는 태양 극대기에서 태양 극소기까지 CME 및 비 CME에 대한 대표적이고 균형 잡힌 샘플을 제공할 수 있습니다. 또한, 24번째 태양주기의 나머지 데이터는 검증 목적으로 보관되었습니다.

연구진은 NASA/CDAW 웹사이트를 데이터 소스로 선택했습니다. 그 이유는 해당 웹사이트에서 제공하는 데이터가 이미지 분류를 위한 CNN 모델을 훈련하고 CME 특성을 더욱 추적하는 데 필요한 데이터를 충족했기 때문입니다.

연구자들은 각 CME 사건의 기록을 바탕으로 각 이미지에 대해 반복 작업을 수행했습니다.이미지의 노출 시간이 기록된 항목의 등장 시간과 종료 시간 사이인 경우, 이미지에는 해당 항목의 메모가 표시됩니다. 반대로, 이미지의 노출 시간이 어떤 기록과도 일치하지 않으면 해당 이미지는 "CME 없음"으로 표시됩니다.

연구 방법론: 핵심 매개변수 확인을 위한 3단계

머신러닝 기반 CME 식별 및 매개변수 획득 방법은 3단계로 구분된다.

첫 번째,이미지가 올바르게 분류된 후, 연구진은 신경망의 마지막 합성곱 계층에서 합성곱 특징 맵을 추출하고 특징 맵에 PCA(주성분 분석) 알고리즘을 적용하여 동일한 객체에 대한 정보를 얻었습니다. 그런 다음 그들은 오츠 알고리즘(이미지 이진 분할 임계값을 결정하는 알고리즘)과 형태학적 연산을 사용하여 정확한 CME 픽셀 레이블을 얻었습니다.

둘째로, 이미지 시퀀스의 각 프레임을 스캔하고 궤적 매칭 알고리즘을 사용하여 코로나그래프 시야에서 태양을 떠나는 CME의 전파 궤적을 추적합니다.

마침내,이전 단계에서 얻은 궤적을 기반으로 속도, CPA(중심 위치 각도), AW(각도 폭)와 같은 CME의 운동학적 매개변수가 도출됩니다.

연구 결과: 머신러닝 기반 CME 식별 및 매개변수 자동 획득 방법은 효율적이고 빠르다

실제 관측에서 이 방법의 성능을 평가하기 위해 연구진은 2010~2012년 동안 속도와 AW가 서로 다른 대표적인 사건을 선택하여 AW가 높은 순서대로 분석했습니다. 선택된 CME의 AW 범위는 78°~360°이고 속도 범위는 288~1205km s입니다.^-1 . 동시에 연구자들은 새롭게 제안한 방법의 결과를 다른 고전적인 CME 자동 추적 카탈로그(즉, CACTus, CORIMP, SEEDS)의 결과와 비교했습니다.

사건 1: 2012년 2월 14일에 발생한 CME 사건.

CME 현상은 2012년 2월 14일 코로나그래프 시야의 서쪽에서 발생했습니다. 아래 그림은 위에서 아래로 CACTus, CORIMP, SEEDS 및 본 연구에서 제안하는 방법의 검출 그래프를 나타낸 것이다.

위 그림의 처음 세 행에는 감지된 CME 영역이 서로 다른 색상과 기호로 표시되어 있습니다. CACTus의 탐지 맵에서 탐지된 CME 영역은 흰색 직선으로 제한됩니다. CORIMP 탐지 맵에서 빨간색 점은 가장 바깥쪽 전선의 궤적을 나타내고, 노란색 점은 탐지된 전체 구조를 나타냅니다. SEEDS 감지 맵에서 파란색 점은 선두 가장자리의 위치를 나타내고, 빨간색 점은 분할 기술을 사용하여 생성된 선두 가장자리의 대략적인 윤곽을 나타냅니다. 마지막 행에서, 이 연구에서 제안하는 방법은 파란색이 무관한 배경을 나타내는 반면, 더 따뜻한 색상은 픽셀이 CME의 일부일 가능성이 더 높음을 나타냅니다.

이번 연구 결과는 북서쪽 사분면에서 더 밝은 선과 점이 나타났다는 것을 보여주었습니다.이는 일시적인 분출의 작고 희미한 흔적으로, 이 연구에서 제안된 방법을 사용해서만 감지할 수 있으며, 이는 작고 약한 신호를 감지할 수 있는 능력을 보여줍니다.

사건 2: 2012년 1월 15일에 발생한 CME 사건.

연구진은 CACTus, CORIMP, SEEDS와 새롭게 제안한 방법의 검출 결과에서 여러 프레임을 선택하여 위에서 아래로 비교를 위해 표시했습니다.

모든 방법으로 CME 본체가 감지되었습니다.하지만 본 연구에서 제안한 방법은 다른 방법에서는 감지하지 못했던 본체 외의 약하거나 작은 CME 특징을 발견했습니다.위 그림에서 우리는 제안된 방법이 CME 영역을 배경으로부터 성공적으로 분리하는 것을 볼 수 있습니다.

사건 3: 2011년 3월 8일에 발생한 CME 사건.

이 CME 현상은 2011년 3월 8일에 발생했습니다. CACTus, CORIMP, SEEDS 및 본 연구에서 제안한 방법의 검출 그래프는 아래와 같습니다.

이러한 방법들 중 본 연구에서 제안한 방법과 CORIMP는 오전 4시에 CME를 가장 먼저 감지하였고, 다른 방법들은 12분 후에 CME를 식별하였습니다.

위의 결과를 바탕으로 우리는 CME 매뉴얼 카탈로그 및 일부 고전적인 자동 식별 방법과 비교했을 때 다음과 같은 결론을 내릴 수 있습니다.본 연구에서 제안하는 머신러닝 기반 CME 식별 및 자동 매개변수 획득 방법은 매우 효율적이고 빠르며, 상대적으로 약한 CME 신호를 식별하고 정확한 CME 형태 정보를 제공할 수 있다.추적 방법은 비교적 직관적이며, 얻은 매개변수는 사람이 수동으로 인식한 결과와 비슷합니다. 또한, 이 방법을 통해 검출된 CME 구조는 CME 도착 시간 예측, CME 3차원 재구성 등의 다른 연구에도 활용될 수 있습니다.

인공지능, 과부하에 시달리는 천문학자들을 구하다

최근 몇 년 동안 기술의 발전으로 천체물리학 연구에서 엄청난 양의 데이터가 생성되었습니다. 예를 들어, 위에서 언급한 CME 관련 연구 외에도 유명한 Sloan Digital Sky Survey는 2000년에 시작되어 약 300만 개의 천체를 관측했으며, 데이터 용량은 약 40TB입니다. 현재 진행 중인 다크 에너지 서베이는 첫 번째 배치에서 80TB의 과학 등급 스펙트럼 데이터를 공개했는데, 이는 이전에 완료된 하늘 서베이 프로젝트 전체의 데이터 용량과 거의 맞먹는 양입니다.

천문학자들이 대규모 종합 탐사 망원경이나 천문대에서 얻은 방대한 데이터에서 연구에 필요한 귀중한 정보를 찾아내는 것은 마치 우주에서 별을 낚는 것과 같습니다. 이러한 데이터를 효율적으로 처리하는 방법은 현대 천문학이 직면한 중요한 과제가 되었습니다. 인공지능은 방대한 데이터를 분석하고 처리하는 데 탁월한 장점을 가지고 있어 자연스럽게 천문학자들의 시야에 들어왔고, 그들의 "부담을 줄이는 데" 도움이 되는 강력한 조수가 되었습니다.

2017년 초부터NASA는 구글 인공지능 팀이 개발한 신경망이 두 개의 새로운 외계 행성을 발견했다고 발표했습니다.행성 중 하나의 번호는 "케플러-90i"입니다. 이 항성계에는 8개의 행성이 있는데, 이는 태양계와 같은 수입니다. 하지만 케플러-90i 행성은 지구보다 30% 더 크고, 슈퍼지구급 행성입니다.

2021년 세계인공지능대회에서텐센트 회장 마화텅은 텐센트가 국가천문대와 함께 '별 탐사 프로젝트'를 공동으로 시작할 것이라고 밝혔습니다.AI 기술을 활용해 펄서를 찾아 우주를 탐험해 보세요. 텐센트 유투랩의 최첨단 컴퓨터 비전 기술과 텐센트 클라우드의 컴퓨팅 파워를 바탕으로, 두 기관은 "클라우드+AI"를 활용해 중국의 스카이아이 FAST가 매일 수신되는 막대한 양의 데이터를 빠르게 처리하고, 시각적 AI 분석을 통해 펄서에 대한 단서를 찾아 고속 전파 폭발과 근접 이중성계에서 펄서를 찾는 데 도움을 줄 예정입니다.

2022년 6월포르투갈 연구진은 관측 대상이 별, 은하, 퀘이사, 초신성, 성운인지 자동으로 식별하는 인공지능 소프트웨어 SHEEP을 개발했습니다.다른 패턴 인식 소프트웨어와 달리 SHEEP 소프트웨어는 먼저 분류 패턴의 추가 특징으로 적색편이 데이터를 계산한 다음, 관찰된 이미지와 좌표 데이터를 결합하여 카탈로그화된 객체를 분류합니다. 관련 결과는 천문학 및 천체물리학 저널에 게재되었습니다.

요즘에는 점점 더 많은 연구자들이 AI 기술을 강력한 탐사 도구로 사용하여 풍부하고 복잡한 데이터를 제공하고, 은하를 분류하고, 신호를 얻기 위한 데이터 스크리닝을 하고, 펄서를 발견하고, 특이한 외계 행성을 식별하는 등 천문학 분야의 혁신을 촉진하고 있습니다. AI가 새로운 활력을 자극하고 새로운 가능성을 창출할 것이라는 점에는 의심의 여지가 없습니다.

참고문헌:
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