AI 立大功!神经网络对太阳图像进行三维重建,首次揭示太阳极点

发布时间:2024年01月03日

作者:加零

编辑:李宝珠、三羊

科罗拉多州国家大气研究中心 (NCAR) 的研究人员利用 NeRFs 神经网络,将太阳的二维图像转换成三维重建图像,首次揭示了太阳的两极。

极紫外辐射 (EUV, Extreme Ultraviolet) 是指波长在 10~120 nm 范围的太阳辐射,EUV 在影响近地轨道卫星大气阻力的同时,也会为人类健康带来威胁,过度暴露于 EUV 辐射会导致视力下降、皮肤晒伤甚至引发皮肤癌等严重疾病。

预测 EUV 离不开完整的太阳图像,然而,目前的 EUV 成像卫星只能围绕太阳赤道(黄道,ecliptic)成像,并不能直接观测到一些非黄道 (non-ecliptic viewpoints) 部分。加上大气层的影响,二维图形无法得到精确的位置映射,有限时间内处理大量图像处理也困难重重,这些阻碍都使得重建太阳的三维几何结构颇具挑战。

为了解决这一难题,科罗拉多州国家大气研究中心 (NCAR) 的太阳物理学家 Benoit Tremblay 及其同事利用 NeRFs 神经网络,将太阳的二维图像转换成三维重建图像,首次揭示了太阳的两极。 对于非黄道观测点,模型的峰值信噪比为 43.3 dB,平均绝对相对误差为 0.3%,提供了一致的太阳三维重建图像。

在这里插入图片描述

人工智能重建了太阳的一个极区

这个区域在现实生活中从未被观察到过

论文地址:
https://arxiv.org/abs/2211.14879
关注公众号,回复「太阳图像」即可下载全文

实验过程:太阳三维重建

数据集:太阳前向模型图像

研究人员采用预测科学公司 (PSI, Predictive Science Inc) 对太阳日冕的磁流体动力学 (MHD, magneto hydrodynamic) 模拟,估计太阳大气中等离子体参数和磁场的全球三维分布。选取 256 张从均匀间隔的观测点拍摄的 193 年太阳的前向模型图像,其中黄道上的 32 个观测点作为训练集,黄道以外纬度的观测点作为测试集。

在这里插入图片描述

训练用的太阳图像

a:2019-07-02 20:41:08 (UT) 从黄道上拍摄的 193? 太阳的卫星图像;
b:从太阳的三维模型提取的卫星视点的模拟图像;
c:从 3d 模型中提取的 256 个观测点的位置,颜色编码表示哪些视点被用于训练集(粉色)和测试集(绿色)。

算法结构:SuNeRF 模型

目的: 通过一组训练图像重建太阳的三维几何形状。
方法: 利用设计为模拟体积的神经网络将每个坐标点 (x,y,z) 映射到发射和吸收系数 (ε,κ)。

功能:对于每个像素,从总体中采样光线。

辐射转移原理: 基于辐射转移原理的总强度计算。

在这里插入图片描述

SuNeRF 模型架构

训练过程:二维图像的三维重建

对 NeRFs 神经网络进行修改,构造 SuNeRFs 神经网络进行算法训练。

修改 NeRF 模型:调整 NeRFs 模型以适应太阳的物理实际,用发射和吸收系数取代 NeRF 模型对密度和颜色的预测。

发射和吸收计算:对于每个像素,通过沿射线路径采样点来计算总发射。在每个点 (x, y, z) 预测发射和吸收系数 (?, κ),将 κ 乘以采样射线距离 (ds) 计算发射 (I),将吸收 (A) 定义为 exp(κ * ds),在每个点上在 0 和 1 之间进行缩放。

在这里插入图片描述

计算总观测强度:对所有采样点进行积分,考虑从原点到观察者的射线路径上的吸收,使用积分强度值计算总观测强度 (I_total)。

像素值优化:应用 asinh 拉伸来优化训练的值范围。

适应太阳几何结构的 NeRF 射线采样:从距离太阳 [-1.3, 1.3] 太阳半径范围内采样射线。

在这里插入图片描述

AI 将太阳的二维卫星图像(左)转换成三维重建图像(中)

并推算出从未见过的太阳极地区(右)的过程

使用约 30 个 epochs,批处理大小 (batchsize) 为 8096 射线,在 NVIDIA A100 GPU 上训练了约 19 小时。采用了 Rumelhart 等人于 1986 年提出的反向传播算法,使用了自适应矩估计(Adam)优化器(Kingma 和 Ba,2015),学习率 lr = 5 × 10^-4,并以均方误差(MSE)作为损失函数。

实验结果:高准确度三维重建

通过对五个具有不同初始化的 SuNeRFs 进行集成拟合,并计算输出的标准偏差来估计模型的不确定性。

质量评估:图 (a) 展示了模拟中每个视点的峰值信噪比 (PSNR) 和结构相似性 (SSIM)。SuNeRFs 提供了高质量的结果,最小 SSIM 为 0.97。接近黄道面的点显示最小误差,而随着纬度增加,误差逐渐增加,符合训练-测试拆分的预期。

模型比较:图 (b) 将模型与基线方法进行了比较。在较高纬度,简单的重投影显示出伪影和与真实情况较大的偏差,而 SuNeRF 模型呈现几乎相同的图像。差异图显示主要错误发生在太阳边缘附近和边缘区域,这也反映在不确定性图中。需要注意的是,重投影方法无法处理边缘区域。

对 SuNeRF 进行评估

a) 在 256 个视点评估的 PSNR 和 SSIM,由相应纬度和经度的点表示。颜色表示重建的质量,较大的数值表示与地面事实更好的一致性。± 7 纬度的红色虚线标志着训练和测试观点之间的分离;
(b) 在不同纬度对基线方法(球面重投影;第一行)、模拟数据(地面真实度;第二行)和 SuNeRF 重建(第三行)进行定性比较。差异图(第四行)确定了我们的方法偏离地面真理的区域。不确定性估计(第五行)与误差一致。

下表总结了在整个测试集上的定量评估结果,SuNeRF 模型在很大程度上优于基线方法,并且没有出现过度或低估的迹象,对太阳的三维重建准确度高。

在这里插入图片描述

夸父:中国人的「追日」梦想

太阳,是与我们关系最密切的一颗恒星,也是唯一一颗可以详细研究的恒星。它为我们带来了光明和温暖,同时也对地球产生了重大影响。所以,人们多年来从未停止探寻太阳的奥秘,「追风逐日」也一直是中国科研人员的梦想。

2021 年发射的羲和号可以称为我国探日工程的探路者,而夸父一号 (ASO-S) 则是观察太阳的多面手,它可以从紫外线、可见光和 X 射线波段等对太阳进行观测。我国发射的两颗探日卫星各有侧重,将共同提升我国在世界太阳物理研究领域的影响力,成为我国科学家「追日」的最强搭档。

作为我国综合性太阳探测专用卫星,夸父一号实现了 3 个首次:

  1. 首次以「一磁两暴」作为科学目标并配置相应的载荷组合
  2. 首次在一颗卫星平台上对全日面矢量磁场、太阳耀斑非热辐射成像、日冕物质抛射的日面形成以及日冕传播同时进行观测
  3. 首次在莱曼阿尔法波段实现全日面和日冕同时观测

如果说日趋成熟的 AI 技术是一张拉满蓄力的弓,人类丰富的求知欲就是一只箭,飞向神秘的深空。

参考资料:

https://ml4physicalsciences.github.io/2022/files/NeurIPS_ML4PS_2022_170.pdf

https://www.cas.cn/cm/202103/t20210316_4781101.shtml

文章来源:https://blog.csdn.net/HyperAI/article/details/135361931
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。