A műholdak zavarják a csillagászati ​​adatokat - Lehet -e megoldást nyújtani az AI?

A műholdak zavarják a csillagászati ​​adatokat - Lehet -e megoldást nyújtani az AI?

A csillagászok kifejlesztettek egy gépi tanulási algoritmust, amely nagy pontossággal képes felismerni a műholdas műsorokat az éjszakai égbolt képein. Ez a modell megkönnyíti az adatok értelmezését, és lehetővé teszi a rojtok eltávolítását, amelyek egyre inkább problémákat okoznak a csillagászatban.

A technológia lesz a probléma „Photobombs” az internetes kommunikációs műholdakból Nem tudja megoldani, de segíthet csökkenteni azok hatása néhány teleszkóp képére. A kutatók a múlt hónapban a Fokvárosban, a Fokvárosban, a Nemzetközi Csillagászati ​​Unió (IAU) közgyűlésen tartott munkáját jelentették.

„A gépi tanulás és a mesterséges intelligencia segíthet, mert ha elegendő adat van, akkor osztályozhatja, oké, így néz ki egy műholdas”-mondja Siegfried EGGL, az Illinoisi Urbana-Champaign Egyetem asztrofizikus. De a műholdas indítások és fejlemények száma "reggeli ütemben" zajlik, és a kutatók "mindent megtesznek, hogy utolérjenek".

Növekvő fenyegetés

Az elmúlt öt évben olyan cégek, mint például a SpaceX a kaliforniai Hawthorne -ban, az Eutelsat OneWeb -ben Londonban és az Amazon Project Kuiper, a washingtoni Redmondban, több ezer kommunikációs műholdat indítottak az alacsony földi pályára. Sokkal többet terveznek, köztük egy 12 000-tátusú megakonstellációt, az úgynevezett G60 StarLink-et, amelyet Kínában a Shanghai SpaceCom műholdas technológia indít. "Jelenleg körülbelül egymillió műholdat talál a jövő ambícióinak nyilvántartásában" - mondta Richard Green, az IAU sötét és csendes égboltjának az IAU Közgyűlés ülésén a sötét és csendes égboltok védelme érdekében.

Ezek a műholdak gyors szélessávú internet -hozzáférést biztosítanak az emberek számára világszerte, de Egyre inkább zavaró a csillagászok számára - Élénk csíkokként jelennek meg az égbolt képeiben, és befolyásolhatják a megfigyeléseket az egész elektromágneses spektrumban. A műholdas szennyeződés különösen befolyásolja a széles látómezővel rendelkező érzékeny távcsöveket. Például a becslések szerint a közelgő Vera Rubin távcső képeinek több mint egyharmadát veszélyeztetheti.

"A csillagászat manapság egy olyan tudomány, amely nagy mennyiségű adatot tartalmaz, és nincs olyan ember, aki minden este felveheti az összes képet, és megnézheti a csíkokat" - mondja EGGL. "A gépi tanulás itt segíthet."

A teleszkóp képeiben a műholdas műsorszámok azonosítására szolgáló program kidolgozásához María Romero-Colmenares, a chilei Atacama Egyetem adattudója, felügyelt gépi tanulási algoritmust képzett több tízezer képen, amelyeket egy teleszkópok hálózata készített Chile, Spanyolország, Mexikó, Vietnam és Dél-Korea területén. "Tudtuk, mikor és hol [az égen] a műholdat megfigyelése, és egy megfigyelést készítettünk műholdas és egy nélkül"-mondja Romero-Colmenares, ugyanolyan számú tiszta és szennyezett képet készítve. Amikor ő és kollégái alkalmazták a modellt a WASP (Wide Angle Search for Planets) és a magyar automatizált teleszkóp -hálózati projektekből származó adatokra, az algoritmus képes volt azonosítani a műholdas sávok 96% -át.

Jeremy Tregloan-Reed, az Atacama Egyetemen a Romero-Colmenares-szel együtt dolgozó Romero-Colmenares asztrofizikus, aki a Romero-Colmenares-szel dolgozott a Romero-Colmenares asztrofizikusnak, fontos lépés a csíkok észlelése a képekről. A következő kihívás olyan eszközök kidolgozása lesz, amelyek valóban eltávolíthatják a műholdas pályákat, miközben megőrzik az alapul szolgáló adatokat. Ez csak akkor lehetséges azokban az esetekben, amikor a műholdas nem olyan fényes, hogy a kép pixeleit telítse, és a környező pixelekké fekszik-mondja Tregloan-Reed. Ha túlcsordulás következik be, az alapul szolgáló adatok nem menthetők.

A jövő év végére a kutatók remélik, hogy egy nyílt forráskódú alkalmazást és programot dolgoznak ki, amely lehetővé teszi az obszervatóriumok és az amatőr csillagászok számára a szennyezett képek és adatok azonosítását és tisztítását. Az ilyen intézkedések valószínűleg sikeresek lesznek az alacsony érzékenységű kamerákkal rendelkező kis távcsöveken.

Csillagszerű villámlás

A műholdas szennyeződés más formái még nehezebb kezelni. Amikor a napelemek és a műholdak más lapos felületei megragadják a fényt, villámcsavarokat termelnek rövid életű csillagászati ​​tranziensek Hasonló, az energiacsomagok, amelyek milliszekundumtól évekig tarthatnak.

"Mivel ezek a villanások nagyon rövidek, néha milliszekundumig, a műholdas mozgás közben elhanyagolható, és tökéletesen csillagszerű vakuval kapunk"-mondja Szergej Karpov, a Prague Közép-Európai Kozmológiai és Fizikai Intézetének csillagásza. "Nincs valódi módja annak, hogy megkülönböztesse ezeket a villanásokat az asztrofizikai tranziensektől, amelyeket fel akarunk észlelni - röviden összehasonlítva a helyüket közvetlenül a műholdas pályák katalógusaival" - tette hozzá.

A műholdak elektronikus berendezései nem szándékos sugárzást is kibocsáthatnak, megzavarva a Big Bang utánvilágítását - mondja az EGGL. A csillagászok azt remélik, hogy ennek a sugárzásnak a tanulmányozása, az úgynevezett kozmikus mikrohullámú háttér sugárzás, Válaszoljon az univerzum bővítésével kapcsolatos kérdésekre lesz. A SpaceX következő műholdak generációja, amelyet a vállalat tavaly elindított, kb. 30 -szor több sugárzást bocsát ki, mint az előző generáció. Az ilyen típusú sugárzás nem szabályozatlan, és veszélyeztetheti a teljes megfigyelő sávokat.

Az EGGL rámutat arra, hogy az AI eszközök nem tudják igazán rekonstruálni az elveszített adatokat, és a probléma még rosszabbá válik, amikor több műholdat indítanak. "Ha fehér festéket fest a Mona Lisa fölé, akkor egy bizonyos ponton nem fog semmit tenni, még akkor is, ha a Da Vinci összes munkáján gépi tanulási algoritmust képez" - mondja EGGL. "Lehet, hogy kitalálhatja, hogy nézhet ki a festmény, de soha nem tudják rekonstruálni az elveszített adatokat."

1. Bassa, C.G. et al. Astron. Asztrophys. 689, L10 (2024).

   Cikk
   Google Tudós

Töltse le a referenciákat