Lasst uns Fotos von den Sonnenpolen machen! KI-Neuralnetz rekonstruiert die Sonne in 3D

Autor: Add Zero

Herausgeber: Li Baozhu, Sanyang

Forscher am National Center for Atmospheric Research (NCAR) in Colorado nutzten das neuronale Netzwerk NeRFs, um zweidimensionale Bilder der Sonne in dreidimensionale Rekonstruktionen umzuwandeln und so erstmals die Pole der Sonne sichtbar zu machen.

Unter extremer Ultraviolettstrahlung (EUV) versteht man Sonnenstrahlung mit einer Wellenlänge im Bereich von 10 bis 120 nm. EUV beeinflusst nicht nur den Luftwiderstand erdnaher Satelliten, sondern stellt auch eine Gefahr für die menschliche Gesundheit dar. Übermäßige Belastung mit EUV-Strahlung kann zu Sehverlust, Sonnenbrand und sogar schweren Erkrankungen wie Hautkrebs führen.

Die EUV-Vorhersage ist untrennbar mit einem vollständigen Sonnenbild verbunden. Allerdings können aktuelle EUV-Bildgebungssatelliten nur Bilder rund um den Sonnenäquator (Ekliptik) aufnehmen und einige nicht-ekliptische Standpunkte nicht direkt beobachten. In Verbindung mit dem Einfluss der Atmosphäre können mit zweidimensionalen Grafiken keine genauen Positionszuordnungen erzielt werden. Zudem ist es schwierig, eine große Anzahl von Bildern innerhalb einer begrenzten Zeit zu verarbeiten. Diese Hindernisse machen es ziemlich schwierig, die dreidimensionale geometrische Struktur der Sonne zu rekonstruieren.

Um dieses Problem zu lösen, nutzten der Sonnenphysiker Benoit Tremblay und seine Kollegen am National Center for Atmospheric Research (NCAR) in Colorado das neuronale Netzwerk NeRFs, um zweidimensionale Bilder der Sonne in dreidimensionale Rekonstruktionen umzuwandeln und so erstmals die Pole der Sonne sichtbar zu machen. Für nicht-ekliptische Beobachtungspunkte weist das Modell ein maximales Signal-Rausch-Verhältnis von 43,3 dB und einen durchschnittlichen absoluten relativen Fehler von 0,3 % auf und liefert so ein konsistentes dreidimensionales rekonstruiertes Bild der Sonne.

Künstliche Intelligenz rekonstruiert eine der Polarregionen der Sonne

Dieser Bereich wurde im wirklichen Leben noch nie beobachtet.

Adresse des Artikels: https://arxiv.org/abs/2211.14879

Experimentelles Verfahren: 3D-Rekonstruktion der Sonne

Datensatz: Bilder des Sonnenvorwärtsmodells

Die Forscher verwendeten magnetohydrodynamische (MHD) Simulationen der Sonnenkorona von Predictive Science Inc (PSI), um die globale dreidimensionale Verteilung der Plasmaparameter und Magnetfelder in der Sonnenatmosphäre zu schätzen. Insgesamt wurden 256 Vorwärtsmodellbilder der Sonne ausgewählt, die über einen Zeitraum von 193 Jahren von gleichmäßig verteilten Beobachtungspunkten aus aufgenommen wurden. Davon dienten 32 Beobachtungspunkte auf der Ekliptik als Trainingssatz und Beobachtungspunkte auf Breitengraden außerhalb der Ekliptik als Testsatz.

Sonnenbilder zum Training

a: 02.07.2019 20:41:08 (UT) Satellitenbild der 193Å großen Sonne, aufgenommen von der Ekliptik;

b: Simuliertes Bild aus der Satellitenperspektive, extrahiert aus dem 3D-Modell der Sonne;

c: Standorte von 256 Beobachtungspunkten, die aus dem 3D-Modell extrahiert wurden, farbcodiert, um anzuzeigen, welche Standpunkte für den Trainingssatz (rosa) und den Testsatz (grün) verwendet wurden.

Algorithmusstruktur: SuNeRF-Modell

Zweck: Rekonstruktion der 3D-Geometrie der Sonne aus einer Reihe von Trainingsbildern.

Methoden: Jeder Koordinatenpunkt (x, y, z) wird mithilfe eines neuronalen Netzwerks zur Volumensimulation auf Emissions- und Absorptionskoeffizienten (ε, κ) abgebildet.

Funktion: Für jeden Pixel wird ein Strahl aus der Population entnommen.

Strahlungstransportprinzip: Berechnung der Gesamtintensität basierend auf dem Strahlungstransportprinzip.

SuNeRF-Modellarchitektur

Trainingsprozess: 3D-Rekonstruktion von 2D-Bildern

Das neuronale Netzwerk NeRFs wird modifiziert und das neuronale Netzwerk SuNeRFs wird für das Algorithmustraining erstellt.

NeRF-Modell ändern: Passen Sie das NeRF-Modell an die physikalische Realität der Sonne an, indem Sie die Dichte- und Farbvorhersagen des NeRF-Modells durch Emissions- und Absorptionskoeffizienten ersetzen.

Emissions- und Absorptionsberechnung: Für jedes Pixel wird die Gesamtemission durch Abtasten von Punkten entlang des Strahlengangs berechnet. Die Emissions- und Absorptionskoeffizienten (ϵ, κ) werden an jedem Punkt (x, y, z) vorhergesagt. Die Emission (I) wird berechnet, indem κ mit der Abtaststrahldistanz (ds) multipliziert wird. Die Absorption (A) wird als exp(κ * ds) definiert und an jedem Punkt zwischen 0 und 1 skaliert.

Berechnen Sie die gesamte beobachtete Intensität: Integrieren Sie über alle Stichprobenpunkte, berücksichtigen Sie dabei die Absorption auf dem Strahlenweg vom Ursprung zum Beobachter und verwenden Sie den integrierten Intensitätswert, um die gesamte beobachtete Intensität (I_total) zu berechnen.

Pixelwertoptimierung: Wenden Sie Asinh-Stretching an, um den Wertebereich für das Training zu optimieren.

An die Sonnengeometrie angepasste NeRF-Strahlenabtastung: Die Strahlen werden innerhalb von [-1,3, 1,3] Sonnenradien von der Sonne abgetastet.

KI wandelt ein 2D-Satellitenbild der Sonne (links) in eine 3D-Rekonstruktion (Mitte) um

Und berechnete den Prozess der solaren Polarregion (rechts), der noch nie zuvor beobachtet wurde

Das Training dauerte etwa 19 Stunden auf einer NVIDIA A100 GPU mit etwa 30 Epochen und einer Batchgröße von 8096 Strahlen. Der von Rumelhart et al. vorgeschlagene Backpropagation-Algorithmus. wurde 1986 übernommen, der Optimierer für die adaptive Momentschätzung (Adam) (Kingma und Ba, 2015) wurde verwendet, die Lernrate lr = 5 × 10^-4 und der mittlere quadratische Fehler (MSE) wurde als Verlustfunktion verwendet.

Experimentelle Ergebnisse: Hochpräzise 3D-Rekonstruktion

Die Unsicherheit des Modells wird geschätzt, indem ein Ensemble von fünf SuNeRFs mit unterschiedlichen Initialisierungen angepasst und die Standardabweichung der Ausgabe berechnet wird.

Qualitätsbewertung: Abbildung (a) zeigt das maximale Signal-Rausch-Verhältnis (PSNR) und die strukturelle Ähnlichkeit (SSIM) jedes Blickwinkels in der Simulation. SuNeRFs liefert qualitativ hochwertige Ergebnisse mit einem minimalen SSIM von 0,97. Punkte in der Nähe der Ekliptikebene weisen den kleinsten Fehler auf, während der Fehler mit zunehmender Breite allmählich zunimmt, wie aufgrund der Aufteilung zwischen Training und Test zu erwarten war.

Modellvergleich: Abbildung (b) vergleicht das Modell mit der Basismethode. In höheren Breitengraden zeigt eine einfache Reprojektion Artefakte und große Abweichungen von der Grundwahrheit, während das SuNeRF-Modell fast dasselbe Bild wiedergibt. Die Differenzkarten zeigen, dass die Hauptfehler in der Nähe und am Rand der Sonne auftreten, was sich auch in den Unsicherheitskarten widerspiegelt. Zu beachten ist, dass Randbereiche mit der Reprojektionsmethode nicht bearbeitet werden können.

Bewertung von SuNeRF

a) PSNR und SSIM wurden an 256 Standpunkten ausgewertet, dargestellt durch Punkte an entsprechenden Breiten- und Längengraden. Die Farbe zeigt die Qualität der Rekonstruktion an, wobei höhere Werte eine bessere Übereinstimmung mit der Grundwahrheit anzeigen. Die rote gestrichelte Linie bei ± 7 Breitengraden markiert die Trennung zwischen Trainings- und Testperspektiven;
(b) Qualitativer Vergleich der Basismethode (sphärische Reprojektion; erste Reihe), der simulierten Daten (Ground Truth; zweite Reihe) und der SuNeRF-Rekonstruktion (dritte Reihe) in verschiedenen Breitengraden. Die Differenzkarten (vierte Reihe) identifizieren die Bereiche, in denen unsere Methode von der Grundwahrheit abweicht. Die Unsicherheitsschätzungen (fünfte Zeile) stimmen mit den Fehlern überein.

Die folgende Tabelle fasst die quantitativen Auswertungsergebnisse des gesamten Testsatzes zusammen. Das SuNeRF-Modell übertrifft die Basismethode bei weitem und zeigt keine Anzeichen einer Über- oder Unterschätzung, wodurch eine hohe Genauigkeit bei der 3D-Rekonstruktion der Sonne erreicht wird.

Kuafu: Der chinesische Traum von der Jagd nach der Sonne

Die Sonne ist der Stern, der uns am nächsten steht und der einzige, der im Detail untersucht werden kann. Es bringt uns Licht und Wärme, hat aber auch erhebliche Auswirkungen auf die Erde. Aus diesem Grund haben die Menschen im Laufe der Jahre nie aufgehört, die Geheimnisse der Sonne zu erforschen, und „dem Wind und der Sonne nachzujagen“ war schon immer der Traum chinesischer Wissenschaftler.

Der im Jahr 2021 gestartete Xihe kann als Wegbereiter des Solarforschungsprojekts meines Landes bezeichnet werden, während Kuafu-1 (ASO-S) ein Allrounder in der Sonnenbeobachtung ist, der die Sonne im Ultraviolett-, sichtbaren Licht- und Röntgenbereich beobachten kann. Die beiden von meinem Land gestarteten Sonnenerkundungssatelliten haben ihre eigenen Schwerpunkte und werden gemeinsam den Einfluss meines Landes auf dem Gebiet der globalen Sonnenphysikforschung stärken und zum stärksten Partner chinesischer Wissenschaftler bei der „Jagd nach der Sonne“ werden.

Als umfassender Sonnenerkundungssatellit meines Landes hat Kuafu-1 drei Premieren erreicht:

1. Zum ersten Mal wurden „ein Magnetfeld und zwei Stürme“ als wissenschaftliche Ziele ausgewählt und die entsprechende Nutzlastkombination konfiguriert

2. Zum ersten Mal wurden das gesamte Vektormagnetfeld der Sonnenscheibe, die nichtthermische Strahlungsabbildung von Sonneneruptionen, die Bildung koronaler Massenauswürfe auf der Sonnenscheibe und die Koronaausbreitung gleichzeitig auf einer einzigen Satellitenplattform beobachtet.

3. Erste gleichzeitige Beobachtung der gesamten Sonnenscheibe und der Korona im Lyman-Alpha-Band

Wenn die immer ausgereiftere KI-Technologie ein vollständig gespannter Bogen ist, dann ist der große Wissensdrang der Menschen ein Pfeil, der in die geheimnisvollen Tiefen des Alls fliegt.

Quellen:

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

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