هوش مصنوعی خورشید را رصد می کند: دانشمندان از دانشگاه گراتس و رصدخانه خورشیدی Kanzelhöhehe (اتریش) و همکاران آنها از موسسه علوم و فناوری Skolkovo (Skoltech) روش جدیدی را مبتنی بر یادگیری عمیق برای طبقه بندی پایدار و کمی سازی کیفیت رصد خورشیدی دیسک کامل زمینی، به طور کامل تهیه کردند.
در واقع آنها با استفاده از هوش مصنوعی خورشید را رصد می کند. این تحقیقات و توسعه روش های مطالعه می تواند پنجره ای جدید را برای محققان بگشاید تا هرچه بیشتر به راز و رمز های ستارگان پی برده شود. زیرا هوش مصنوعی خورشید را رصد می کند وتنها ستاره ای است که می توانیم جزئیات سطح آن را تشخیص دهیم و در شرایط شدید، پلاسما آن را مطالعه کنیم.
سطح خورشیدی و لایه های جوی به شدت تحت تأثیر میدان مغناطیسی در حال ظهور قرار دارند. ویژگی هایی مانند لکه های خورشید ، رشته ها ، حلقه های تاجی و مناطق پلاژ نتیجه مستقیم توزیع میدان های مغناطیسی افزایش یافته بر روی هوش مصنوعی خورشید را رصد می کند است ، که درک فعلی ما از این پدیده ها را به چالش می کشد.
شراره های خورشیدی و بیرون انداختن جرم تاج در نتیجه آزاد شدن ناگهانی انرژی مغناطیسی آزاد ذخیره شده در میدان های قوی مرتبط با لکه های در رصد خورشید است. آنها پرانرژی ترین رویدادها در منظومه شمسی هستند و تأثیر مستقیمی بر سامانه خورشید( هوش مصنوعی خورشید را رصد می کند) – زمینی به نام “هوای فضایی” دارند. جامعه مدرن به شدت به فضا و فناوری زمینی متکی است که در برابر حوادث خطرناک آب و هوایی فضا بسیار آسیب پذیر است.
نظارت مداوم بر خورشید برای درک بهتر و پیش بینی پدیده های خورشیدی و برهم کنش فوران خورشید با مغناطیس کره و جو زمین ضروری است. در دهه های اخیر ، فیزیک رصد خورشیدی وارد عصر داده های بزرگ شده است و مقدار زیادی از داده ها که به طور مداوم توسط هوش مصنوعی خورشید را رصد می کند ورصدخانه های مستقر در زمین و فضا تولید می شوند ، دیگر فقط توسط ناظران انسانی قابل تحلیل نیستند.
تلسکوپ های زمینی در سراسر کره زمین قرار گرفته اند تا نظارت مداوم بر رصد خورشید را مستقل از برنامه روز و شب و شرایط آب و هوایی محلی فراهم کنند. جو زمین شدیدترین محدودیت ها را در مشاهدات خورشیدی اعمال می کند ، زیرا ابرها می توانند صفحه رصد خورشیدی را پنهان کنند و نوسانات هوا باعث تاری تصویر می شود.
به منظور انتخاب بهترین تصاویر از چندین مشاهدات همزمان و شناسایی تخریب کیفیت محلی ، ارزیابی کیفی تصویر مورد نیاز است. محققان در مطالعه اخیر خود از هوش مصنوعی (AI) برای دستیابی به ارزیابی کیفی استفاده کردند که مشابه تفسیر انسان است. آنها از یک شبکه عصبی برای یادگیری ویژگی های تصاویر با کیفیت بالا و تخمین انحراف مشاهدات واقعی از یک مرجع ایده آل استفاده کردند.
این مقاله رویکردی مبتنی بر شبکه های خصمانه تولیدی (GAN) را توصیف می کند که معمولاً برای بدست آوردن تصاویر هوش مصنوعی خورشید را رصد می کند استفاده می شوند ، به عنوان مثال ، برای ایجاد چهره های واقعی انسان یا ترجمه نقشه های خیابان به تصاویر ماهواره ای از این سبکه عصبی استفاده می شود. این امر با تقریب توزیع تصاویر واقعی و برداشت نمونه از آن حاصل می شود. محتوای تصویر تولید شده می تواند تصادفی باشد یا با توصیف شرطی تصویر تعریف شود.
دانشمندان از GAN برای تولید تصاویر با کیفیت بالا از توصیف محتوای همان تصویر استفاده کردند: شبکه هوش مصنوعی ابتدا ویژگی های مهم تصویر با کیفیت بالای رصد خورشید مانند موقعیت و ظاهر ویژگی های خورشیدی را استخراج کرد و سپس تصویر اصلی را تولید می کند. از این توصیف فشرده وقتی این رویه برای تصاویر با کیفیت پایین اعمال می شود ، شبکه محتوای تصویر را دوباره رمزگذاری می کند ، در حالی که ویژگی های بی کیفیت را در تصویر بازسازی شده حذف می کند.
این نتیجه توزیع تقریبی تصویر توسط GAN است که فقط می تواند تصاویری با کیفیت بالا تولید کند(رصد خورشید). تفاوت بین تصویر با کیفیت پایین و مرجع پیش بینی شده با کیفیت بالا از شبکه عصبی ، زمینه را برای اندازه گیری کیفیت تصویر فراهم می کند و برای شناسایی موقعیت اثرات تخریب کننده کیفیت در تصویر استفاده می شود.
چقدر جذاااااااب