Comment la NASA exploite le machine learning pour calibrer ses télescopes et obtenir des images de qualité ?

projet recherche NASA intelligence artificielle machine learning étalonnage virtuel astronomie espace télescope solaire

Depuis 2010, le Solar Dynamics Observatory (SDO) de la NASA travaille activement pour fournir des images haute définition du soleil. Pour y parvenir, ils exploitent un télescope solaire depuis plus d’une décennie dont les lentilles et les capteurs se dégradent progressivement au fur et à mesure de son utilisation par les scientifiques. Afin de prolonger la durée de vie de cet instrument, un groupe de chercheurs a exploité l’IA pour que le télescope puisse se calibrer et fournir des images de qualité de l’astre lumineux le plus proche de la Terre.

Les télescopes solaires nécessitent un calibrage régulier afin de fonctionner correctement

On le sait tous, il est totalement impossible de regarder le soleil avec nos yeux sans que l’on soit blessé par celui-ci. Heureusement, les télescopes solaires peuvent réaliser cette tâche avec beaucoup plus de précision que n’importe quel autre outil. L’Assemblage d’imagerie atmosphérique (AIA) est l’un des deux instruments d’imagerie du SDO. L’outil regarde constamment le Soleil, prenant des images sur 10 longueurs d’onde de lumière ultraviolette toutes les 12 secondes.

Toutefois, au fil du temps, les lentilles et capteurs sensibles qui composent cet instrument tendent à se dégrader et à renvoyer des images d’une qualité inférieure à celles attendues. Pour résoudre ce problème et éviter que les données renvoyées par ces instruments soient toujours de la plus haute qualité, les scientifiques recalibrent ponctuellement ces appareils de manière à pallier les “changements” de l’instrument dus à la dégradation progressive de ses composantes.

Afin de réaliser cet étalonnage, les scientifiques exploitent des fusées-sondes qui effectuent de courts vols dans l’espace et transportent tout ce qui est nécessaire à la réalisation du processus. Tous les instruments que la fusée-sonde transporte permettent de voir les longueurs d’ondes ultraviolettes qui sont mesurées par AIA. Néanmoins, cette technique présente certains inconvénients : les fusées-sondes doivent être lancées à des moments précis et ne peuvent pas être exploitées quand les scientifiques le souhaitent.

L’intelligence artificielle et le machine learning pour réaliser un étalonnage virtuel et permanent

Afin de réaliser cet étalonnage virtuellement et donc contourner les inconvénients de la technique exploitant les fusées-sondes, des chercheurs ont décidé d’exploiter le machine learning. L’ensemble de leurs résultats ont fait l’objet d’un article rédigé par Luiz FG Dos Santos, Souvik Bose, Valentina Salvatelli, Brad Neuberg, Mark CM Cheung, Miho Janvier, Meng Jin, Yarin Gal, Paul Boerner et Atılım Güneş Baydin.

L’équipe de recherche a formé un algorithme de machine learning afin qu’il puisse reconnaitre les structures solaires et les comparer à l’aide des données d’AIA. Ils ont entrainé le modèle en utilisant des images provenant des vols d’étalonnage des fusées-sondes et pour le tester, ils lui ont fourni des images similaires pour voir s’ils réussissaient à déterminer quel étalonnage il était nécessaire de réaliser.

Avec ce nouveau processus, les scientifiques peuvent calibrer en permanence les images de l’IA entre les vols de fusées-sondes, améliorant ainsi la précision des images pour les experts de la SDO.


1ère Marketplace de l'IA et de la transformation numérique vous recommande :
Netwave Suite - Product par Netwave

Grâce à sa technologie exclusive d’ia inductive, netwave suite est une plateforme de référence en matière de personnalisation temps réel en mode saas....

 
Partager l'article
Abonnez-vous à ActuIA, la revue professionnelle de l'intelligence artificielle magazine intelligence artificielle Découvrez la revue professionnelle de l'intelligence artificielle
intelligence artificielle
À PROPOS DE NOUS
Le portail francophone consacré à l'intelligence artificielle et à la datascience, à destination des chercheurs, étudiants, professionnels et passionnés.