За последние десятилетия астрономы накопили огромный массив данных о Солнце, полученных с различных телескопов и обсерваторий. Однако разница в разрешении, чувствительности оборудования и методиках наблюдений затрудняла комплексный анализ этой информации. Решением стала новая система машинного обучения, разработанная международной командой исследователей.
Универсальный язык солнечных данных
Специалисты из Сколтеха, Грацского университета (Австрия) и Высокогорной обсерватории (США) создали алгоритм на основе генеративно-состязательных сетей (GAN). В отличие от традиционных подходов, их система не просто улучшает качество изображений, а устанавливает взаимосвязи между разными типами наблюдений.
Модифицированная архитектура GAN включает:
- генератор, искусственно снижающий качество снимков,
- дискриминатор, восстанавливающий изображения до эталонного уровня.
Такой подход позволяет:
- сопоставлять данные разных телескопов без эталонных образцов,
- устранять атмосферные помехи в наземных наблюдениях,
- восстанавливать информацию о магнитных полях на невидимой стороне Солнца.
Практические результаты
Применение алгоритма к 24-летним архивным данным уже позволило:
- повысить разрешение полнодисковых изображений Солнца,
- снизить уровень шумов в исторических наблюдениях,
- выявить долгосрочные закономерности солнечной активности.
Особую ценность представляет возможность ретроспективного анализа - система обнаруживает взаимосвязи, которые не были очевидны при первоначальном изучении материалов. Это открывает новые перспективы для исследования солнечных циклов и прогнозирования космической погоды.
Разработанная методика демонстрирует потенциал машинного обучения для обработки астрономических данных. Подход может быть адаптирован для работы с архивами других космических объектов, где накоплены разнородные наблюдения.