Solar Dynamics Observatory: आर्टिफिशियल इंटेलिजेंस (AI) सूर्य पर NASA की नजर को बेहतर बनाने में मदद करता है

by

एक रिसर्च टीम सूर्य की नासा की कुछ तस्‍वीरों को कैलिब्रेट करने के लिए आर्टिफिशियल इंटेलिजेंस (AI) तकनीकों का उपयोग कर रहा है. जिससे वैज्ञानिकों द्वारा सौर अनुसंधान के लिए उपयोग किए जाने वाले डेटा को बेहतर बनाने में मदद मिलती है. इससे जुड़ी जानकारी 13 अप्रैल, 2021 को एस्ट्रोनॉमी एंड एस्ट्रोफिजिक्स (Astronomy & Astrophysics) जर्नल में प्रकाशित हुई थी.

सोलर टेलीस्कोप का काम कठिन होता है. सौर कणों की कभी न खत्म होने वाली धारा और तीव्र सूर्य के प्रकाश द्वारा लगातार  बमबारी के साथ, सूर्य को घूरना एक कठोर टोल लेता है. समय के साथ, सौर दूरबीनों के संवेदनशील लेंस और सेंसर ख़राब होने लगते हैं. यह सुनिश्चित करने के लिए कि ऐसे उपकरण वापस भेजे गए डेटा अभी भी सटीक हैं, वैज्ञानिक यह सुनिश्चित करने के लिए समय-समय पर पुनर्गणना करते हैं कि वे समझते हैं कि उपकरण कैसे बदल रहा है.

2010 में लॉन्च किया गया, नासा के सोलर डायनेमिक्स ऑब्जर्वेटरी (SDO) ने एक दशक से अधिक समय तक सूर्य की HD images दी हैं. इसकी तस्‍वीरों ने वैज्ञानिकों को कई अलग-अलग सौर घटनाओं पर एक विस्तृत रूप दिया है, जो अंतरिक्ष के मौसम को स्‍पार्क कर सकते हैं और हमारे अंतरिक्ष यात्रियों और पृथ्वी और अंतरिक्ष में प्रौद्योगिकी को प्रभावित कर सकते हैं. वायुमंडलीय इमेजरी असेंबली, या एआईए, एसडीओ पर दो इमेजिंग उपकरणों में से एक है और हर 12 सेकंड में पराबैंगनी प्रकाश (UV Ray) के 10 तरंग दैर्ध्य में छवियों को लेते हुए सूर्य को लगातार देखता है. यह किसी अन्य की तरह सूर्य की जानकारी का खजाना बनाता है, लेकिन – सभी सूर्य-स्टारिंग उपकरणों की तरह – एआईए समय के साथ खराब हो जाता है, और डेटा को अक्सर कैलिब्रेट करने की आवश्यकता होती है.

SDO Launch के बाद से, वैज्ञानिकों ने AIA को कैलिब्रेट करने के लिए साउंडिंग रॉकेट्स का इस्तेमाल किया है. साउंडिंग रॉकेट छोटे रॉकेट होते हैं जो आमतौर पर केवल कुछ उपकरणों को ले जाते हैं और अंतरिक्ष में छोटी उड़ानें लेते हैं – आमतौर पर केवल 15 मिनट. महत्वपूर्ण रूप से, साउंडिंग रॉकेट पृथ्वी के अधिकांश वायुमंडल से ऊपर उड़ते हैं, जिससे बोर्ड पर लगे उपकरण AIA द्वारा मापी गई पराबैंगनी तरंग दैर्ध्य (UV Ray) को देख सकते हैं.

This image shows seven of the ultraviolet wavelengths observed by the Atmospheric Imaging Assembly on board NASA’s Solar Dynamics Observatory. The top row is observations taken from May 2010 and the bottom row shows observations from 2019, without any corrections, showing how the instrument degraded over time. Credit: Luiz Dos Santos/NASA GSFC

प्रकाश की ये तरंग दैर्ध्य पृथ्वी के वायुमंडल द्वारा अवशोषित होती हैं और इन्हें जमीन से नहीं मापा जा सकता है. एआईए (AIA) को कैलिब्रेट करने के लिए, वे एक ध्वनि रॉकेट के लिए एक पराबैंगनी दूरबीन संलग्न करेंगे और उस डेटा की तुलना एआईए से माप से करेंगे. वैज्ञानिक तब एआईए के डेटा में किसी भी बदलाव को ध्यान में रखते हुए समायोजन कर सकते हैं.

अंशांकन की परिज्ञापी रॉकेट विधि में कुछ कमियां हैं. साउंडिंग रॉकेट केवल इतनी बार लॉन्च हो सकते हैं, लेकिन एआईए लगातार सूर्य को देख रही है. इसका मतलब है कि डाउनटाइम है जहां प्रत्येक साउंडिंग रॉकेट कैलिब्रेशन के बीच कैलिब्रेशन थोड़ा बंद है.

मैरीलैंड के ग्रीनबेल्ट में नासा के गोडार्ड स्पेस फ्लाइट सेंटर के एक सौर भौतिक विज्ञानी और कागज पर प्रमुख लेखक डॉ. लुइज़ डॉस सैंटोस ने कहा, “यह गहरे अंतरिक्ष मिशनों के लिए भी महत्वपूर्ण है, जिसमें रॉकेट कैलिब्रेशन का विकल्प नहीं होगा.” “हम एक साथ दो समस्याओं से निपट रहे हैं.”

आभासी अंशांकन

इन चुनौतियों को ध्यान में रखते हुए, वैज्ञानिकों ने उपकरण को कैलिब्रेट करने के लिए अन्य विकल्पों को देखने का फैसला किया, जिसमें निरंतर अंशांकन की ओर ध्यान दिया गया था. मशीन लर्निंग, आर्टिफिशियल इंटेलिजेंस में इस्तेमाल की जाने वाली तकनीक, एकदम फिट की तरह लग रही थी.

जैसा कि नाम से ही स्पष्ट है, मशीन लर्निंग को अपने कार्य को करने का तरीका सीखने के लिए एक कंप्यूटर प्रोग्राम या एल्गोरिथम की आवश्यकता होती है.

सबसे पहले, शोधकर्ताओं को सौर संरचनाओं को पहचानने और एआईए डेटा का उपयोग करके उनकी तुलना करने के लिए मशीन लर्निंग एल्गोरिदम को प्रशिक्षित करने की आवश्यकता थी. ऐसा करने के लिए, वे ध्वनि रॉकेट अंशांकन उड़ानों से एल्गोरिथम छवियां देते हैं और इसे सही मात्रा में अंशांकन की आवश्यकता के बारे में बताते हैं.

Sun seen by AIA in 304 Angstrom light in 2021 with corrections from a sounding rocket calibration (see previous image above before degradation correction). Credit: NASA GSFC

इन उदाहरणों के पर्याप्त होने के बाद, वे एल्गोरिदम को समान छवियां देते हैं और देखते हैं कि क्या यह आवश्यक सही अंशांकन की पहचान करेगा. पर्याप्त डेटा के साथ, एल्गोरिथ्म यह पहचानना सीखता है कि प्रत्येक छवि के लिए कितना अंशांकन आवश्यक है.

चूंकि एआईए सूर्य को प्रकाश की कई तरंग दैर्ध्य में देखता है, शोधकर्ता भी तरंग दैर्ध्य में विशिष्ट संरचनाओं की तुलना करने और इसके आकलन को मजबूत करने के लिए एल्गोरिदम का उपयोग कर सकते हैं.

शुरू करने के लिए, वे एल्गोरिदम को सिखाएंगे कि एआईए के सभी तरंगदैर्ध्यों में सौर फ्लेयर्स को दिखाते हुए सौर फ्लेयर कैसा दिखता है जब तक कि यह सभी विभिन्न प्रकार के प्रकाश में सौर फ्लेयर को पहचान न सके. एक बार जब कार्यक्रम बिना किसी गिरावट के सौर चमक को पहचान सकता है, तो एल्गोरिदम यह निर्धारित कर सकता है कि एआईए की वर्तमान छवियों को कितना गिरावट प्रभावित कर रही है और प्रत्येक के लिए कितना अंशांकन आवश्यक है.

“यह बड़ी बात थी,” डॉस सैंटोस ने कहा. “केवल उसी तरंग दैर्ध्य पर इसे पहचानने के बजाय, हम तरंग दैर्ध्य में संरचनाओं की पहचान कर रहे हैं.”

इसका मतलब है कि शोधकर्ता पहचाने गए एल्गोरिदम के अंशांकन के बारे में अधिक सुनिश्चित हो सकते हैं. दरअसल, जब उनके वर्चुअल कैलिब्रेशन डेटा की तुलना साउंडिंग रॉकेट कैलिब्रेशन डेटा से की जाती है, तो मशीन लर्निंग प्रोग्राम हाजिर था.

इस नई प्रक्रिया के साथ, शोधकर्ताओं के लिए एसडीओ के डेटा की सटीकता में सुधार करते हुए, शोधकर्ता रॉकेट उड़ानों के बीच एआईए की छवियों को लगातार कैलिब्रेट करने के लिए तैयार हैं.

सूर्य से परे मशीन सीखना

घर के करीब की स्थितियों को बेहतर ढंग से समझने के लिए शोधकर्ता मशीन लर्निंग का भी इस्तेमाल कर रहे हैं.

एस्ट्रा एलएलसी और नासा गोडार्ड स्पेस फ्लाइट सेंटर में प्रिंसिपल डेटा साइंटिस्ट और एयरोस्पेस इंजीनियर डॉ. रयान मैकग्रानाघन के नेतृत्व में शोधकर्ताओं के एक समूह ने पृथ्वी के चुंबकीय क्षेत्र और आयनमंडल के बीच संबंध को बेहतर ढंग से समझने के लिए मशीन लर्निंग का इस्तेमाल किया, जो पृथ्वी के ऊपरी हिस्से का विद्युत आवेशित भाग है वातावरण. डेटा की बड़ी मात्रा में डेटा विज्ञान तकनीकों का उपयोग करके, वे एक नया मॉडल विकसित करने के लिए मशीन लर्निंग तकनीकों को लागू कर सकते हैं जिससे उन्हें यह समझने में मदद मिली कि अंतरिक्ष से ऊर्जा वाले कण पृथ्वी के वायुमंडल में कैसे गिरते हैं, जहां वे अंतरिक्ष के मौसम को चलाते हैं.

जैसे-जैसे मशीन लर्निंग आगे बढ़ेगी, इसके वैज्ञानिक अनुप्रयोगों का विस्तार अधिक से अधिक मिशनों तक होगा. भविष्य के लिए, इसका मतलब यह हो सकता है कि गहरे अंतरिक्ष मिशन – जो उन जगहों की यात्रा करते हैं जहां अंशांकन रॉकेट उड़ानें संभव नहीं हैं – अभी भी कैलिब्रेट की जा सकती हैं और सटीक डेटा देना जारी रख सकती हैं, यहां तक ​​​​कि पृथ्वी या किसी भी सितारे से अधिक से अधिक दूरी पर जाने पर भी.

संदर्भ: लुइज़ एफजी डॉस सैंटोस, सौविक बोस, वेलेंटीना साल्वाटेली, ब्रैड न्यूबर्ग, मार्क सीएम चेउंग, मिहो जेनवियर, मेंग जिन, यारिन गैल, पॉल बोर्नर और एटलम गुनेस बेदीन द्वारा “मशीन लर्निंग का उपयोग करके वायुमंडलीय इमेजिंग असेंबली के लिए मल्टीचैनल ऑटोकैलिब्रेशन”. अप्रैल 2021, खगोल विज्ञान और खगोल भौतिकी.

Leave a Reply

This site uses Akismet to reduce spam. Learn how your comment data is processed.