Machine Learning ถูกนำมาใช้ใน Calibrate ยานสำรวจดวงอาทิตย์แทนการใช้จรวดได้อย่างไร

ในปัจจุบันนี้เรามียานสำรวจดวงอาทิตย์ที่ยังทำงานอยู่เป็นจำนวนมากไม่ว่าจะเป็น Solar Dynamics Observatory (SDO) หรือ Solar and Heliospheric Observatory (SOHO) อุปกรณ์เหล่านี้ก็เปรียบเสมือนกล้องโทรทรรศน์แบบพิเศษที่เอาไว้สำรวจดวงอาทิตย์โดยเฉพาะแทนตาของเรา เนื่องจากเราไม่สามารถใช้กล้องโทรทรรศน์แบบใช้แสงทั่ว ๆ ไปบนโลกส่องโดยตรงไปยังดวงอาทิตย์ได้

ที่ไม่สามารถส่องกล้องบนโลกไปดวงอาทิตย์โดยตรงเนื่องจากความร้อนของแสงอาทิตย์อาจทำลายระบบสะท้อนแสงภายในกล้องโทรทรรศน์ได้ ก็เหมือนกับเวลาเราเอาแว่นขยายไปให้แดดส่องจนเกิดความร้อน ความร้อนชนิดเดียวกันก็เกิดกับการเอากล้องโทรทรรศน์แบบแสงทั่วไปไปส่องดวงอาทิตย์ ยังไม่นับเรื่องอันตรายที่อาจเกิดขึ้นจากการส่องดวงอาทิตย์ด้วยตาอีกด้วย

ยาน Solar Dynamics Observatory (SDO) – ที่มา NASA

แต่อุปกรณ์บนยานสำรวจดวงอาทิตย์ (Sun-staring instrument) ถูกออกแบบมาให้ทนต่อสภาพแวดล้อมเหล่านี้ ทั้งรังสี ทั้งอนุภาคมีประจุจากดวงอาทิตย์ และแสงแดดแบบโคตรร้อน แต่ก็ปฎิเสธไม่ได้ว่าใช้ไปนาน ๆ อุปกรณ์เหล่านี้มันก็เสื่อมสภาพได้เหมือนกัน และเราจะไม่สามารถแยกได้เลยว่าข้อมูลที่ได้มาจากอุปกรณ์เกิดจากการเสื่อมสภาพหรือเกิดจากดวงอาทิตย์เอง

ยกตัวอย่างเช่น อยู่ ๆ ภาพดวงอาทิตย์ที่ถ่ายมามีจุดสีดำอันใหญ่โผล่มาจากไหนไม่รู้ เราจะไม่สามารถแยกได้เลยว่าไอ้จุดดำบนดวงอาทิตย์อันนี้มันอยู่บนดวงอาทิตย์จริง ๆ หรือว่าเกิดจากเลนส์หรืออุปกรณ์เสีย เพราะเราไม่มีแหล่งข้อมูลแหล่งที่สองเพื่อที่จะมายืนยันหรือหักล้างแหล่งข้อมูลแรกหรือที่เรียกว่าการปรับเทียบข้อมูล (Calibrate) นั่นเอง

การ Calibrate อุปกรณ์สำรวจดวงอาทิตย์

อุปกรณ์สำรวจดวงอาทิตย์อย่าง Atmospheric Imagery Assembly (AIA) บนยาน SDO ซึ่งเป็นกล้องถ่ายภาพความละเอียดสูงหลายช่วงคลื่นสำหรับสำรวจ Space Weather เหนือดวงอาทิตย์โดยมันจะถ่ายรูปดวงอาทิตย์ใน 10 ช่วงคลื่นทุก ๆ 12 วินาที และแน่นอนว่าอุปกรณ์ตัวนี้ต้องถูกจ่อไว้กับดวงอาทิตย์ตลอดเวลา SDO ถูกปล่อยในปี 2010 เราก็อาจพูดได้ว่าเจ้าอุปกรณ์ตัวนี้มันมองดวงอาทิตย์มาอย่างน้อย 1 ทศวรรษแล้ว

ภาพนี้เป็นภาพของดวงอาทิตย์ใน 7 ช่วงคลื่น โดยแถวบนคือภาพที่ถ่ายเมือปี 2010 แถวล่างคือภาพที่ถ่ายเมื่อปี 2019 ไม่ต้องบอกก็รู้ว่าสามารถสังเกตเห็นความเปลี่ยนแปลงได้อย่างชัดเจน ในกรณีแบ่งได้เป็นสองคำอธิบาย คือ

  • ในช่วง 9 ปีที่ผ่านมา ดวงอาทิตย์มืดลง
  • ดวงอาทิตย์ไม่ได้มืดลง แต่กล้องที่ถ่ายมาเสื่อมสภาพทำให้ภาพมืดลงเกินความเป็นจริง

ถ้าตาม Common Sense แน่นอนว่าทุกคนก็จะต้องเลือกตอบข้อ 2 ซึ่งก็คือดวงอาทิตย์ไม่ได้มืดลง แต่ภาพที่ถ่ายมามืดกว่าความเป็นจริง แต่ถ้าถามว่าจะพิสูจน์ยังไง ก็คงยากเพราะเราไม่รู้ด้วยซ้ำว่าดวงอาทิตย์ปกติแล้วมันสว่างหรือมืดกว่าปกติตอนไหน หากจะเดินออกไปกลางแจ้งในวันที่ไม่มีเมฆ ก็คงไม่มีใครพูดว่า “วันนี้ดวงอาทิตย์ มืด/สว่าง แปลก ๆ” แน่นอน เราจึงไม่สามารถใช้แค่อารมณ์ในการตัดสินเหตุผลทางวิทยาศาสตร์แบบ Logically ได้นั่นเอง จึงเป็นที่มาของการ Calibration

การ Calibration ก็คือการปรับเทียบให้ข้อมูลทางวิทยาศาสตร์สองอันที่มันควรจะตรงกันให้มันตรงกัน เหมือนเวลาเราปรับตาชั่งน้ำหนักสองอันให้ตรงกันด้วยกันเอาวัตถุ ๆ หนึ่งมาวางแล้วอ้างอิงค่าน้ำหนัก

ภาพจากอุปกรณ์ AIA บนยาน SIS ในปี 2021 ก่อนการ Calibrate – ที่มา NASA GSFC

การ Calibrate อุปกรณ์ AIA ของ SDO ปัจจุบันพึ่งข้อมูลจาก Sounding Rocket ซึ่งก็คือจรวดขนาดเล็กคล้าย ๆ บั้งไฟที่สามารถเดินทางไปยังอวกาศได้ในช่วงเวลาสั้น ๆ และตกกลับลงมา โดย Sounding Rocket จะขนอุปกรณ์ทางวิทยาศาสตร์ไปด้วยได้ เช่น กล้องโทรทรรศน์ช่วงคลื่น Ultraviolet เนื่องจาก Sounding Rocket จะบินเข้าไปได้สูงสุดเหนือชั้นบรรยากาศของโลก ทำให้มันสามารถวัดแสงช่วงคลื่น Ultraviolet ที่ปกติจะถูกชั้นบรรยากาศโลกดูดกลืนได้ ข้อมูลที่วัดได้จาก Sounding Rocket ก็จะถูกนำไป Calibrate กับข้อมูลของ AIA เพื่อปรับข้อมูลให้เที่ยงตรง

ภาพจากอุปกรณ์ AIA บนยาน SIS ในปี 2021 หลังการ Calibrate – ที่มา NASA GSFC

อย่างไรก็ตามถึงจะ Calibrate อุปกรณ์ด้วยข้อมูลจาก Sounding Rocket ได้ข้อเสียก็คือเราไม่สามารถปล่อย Sounding Rocket บ่อย ๆ เพื่อ Calibrate ข้อมูลได้ ทำให้จะมีช่วงหนึ่งที่ข้อมูลจาก AIA จะเริ่มไม่เที่ยงตรงจากการเสื่อมสภาพของอุปกรณ์ ทำให้ข้อมูลในช่วงนี้ที่ไม่ได้รับการ Calibrate อาจจะไม่สามารถใช้ได้เพราะความไม่เที่ยงตรงของอุปกรณ์นั่นเอง จึงเป็นที่มาของ “Virtual Calibration”

Virtual Calibration ด้วย Machine Learning

อ้างอิงจากงานวิจัยตีพิมพ์ในวารสาร Astrnonomy & Astrophysics เมื่อวันที่ 13 เมษายน 2021 ชื่อว่า Multichannel autocalibration for the Atmospheric Imaging Assembly using machine learning นั้นนักวิจัยกลุ่มหนึ่งได้สร้าง Machine Learning Algorithm ตัวหนึ่งขึ้นมาที่สามารถ Calibrate ข้อมูลของ AIA ได้โดยไม่ต้องใช้ Sounding Rocket

คอนเซปง่าย ๆ คือ ในเมื่อไม่สามารถ Calibrate ด้วย Physical Hardware แบบต่อเนื่องได้ ก็ทำไมไม่ใช้คอมพิวเตอร์มาช่วยเลยล่ะ อย่าง Machine Learning สิ่งที่ต้องทำก็คือการสร้าง Algorithm สำหรับการเปรียบเทียบข้อมูลว่าข้อมูลจากดวงอาทิตย์ควรจะเป็นแบบไหนให้มันเรียนรู้ว่า Pattern ของข้อมูลจากดวงอาทิตย์จะเป็นแบบนี้ ในตอนนี้เรามีข้อมูลสองชุด ชุดแรกก็คือข้อมูลพัง ๆ จาก AIA ที่ยังไม่ได้รับการ Calibrate ชุดที่สองก็คือข้อมูลจาก Sounding Rocket ซึ่งเป็นข้อมูลที่เที่ยงตรง

เมื่อมีข้อมูลสองชุดนี้แล้วเราก็สามารถป้อนข้อมูลเหล่านี้ให้กับ Algorithm ได้ เช่น การเอาภาพจาก Sounding Rocket ให้มันดูแล้วบอกมันว่านี่คือภาพที่ถูกต้อง แล้วเอาภาพพัง ๆ ให้มันดูแล้วยอกมันว่าจะต้อง Calibrate อีกเท่าไหร่จึงจะเป็นภาพที่เที่ยงตรง สอนมันแบบนี้ไปเรื่อย ๆ ด้วยข้อมูลที่มากพอ Algorithm จะสามารถรู้ได้ว่าภาพนี้ต้อง Calibrate มากเพียงใดจึงจะเป็นภาพที่เที่ยงตรงเหมือนภาพจาก Sounding Rocket สุดท้ายมันก็จะไม่ต้องการภาพจาก Sounding Rocket เป็น Reference อีกต่อไปเพราะมันสามารถแยกได้เองแล้ว และนี่ก็คือผลลัพธ์จาก Virtual Calibration

ภาพถ่ายดวงอาทิตย์จาก AIA บนยาน SDO ในแต่ละปี โดยแถวบนคือภาพที่ยังไม่ได้ถูก Calibrate ส่วนแถวล่างคือภาพที่ถูก Calibrate โดย Machine Learning Algorithm – ที่มา Luiz Dos Santos/NASA GSFC

ยังไม่รวมถึงการที่เราสามารถสอน Algorithm ให้มันทำอย่างอื่นได้ด้วย เช่น การให้มัน Calibrate ข้อมูล Solar Flare ด้วยการสอนให้มันจำ Solar Flare ในแต่ละแบบแต่ละช่วงคลื่นแสงได้ จากนั้นจึงให้มันไป Calibrate ข้อมูลจริงจาก AIA นั่นเอง

การใช้ Virtual Calibration จะทำให้นักวิทยาศาสตร์สามารถลดความคลาดเคลื่อนในข้อมูลได้อย่างมากเนื่องจากไม่ต้องรอการ Calibrate เป็นครั้งเป็นคราวจาก Sounding Rocket ที่มีช่วงการปล่อยไม่แน่นอนนั่นเอง นอกจากนี้ยังเปิดทางสู่การใช้ Algorithm แบบเดียวกันในการสำรวจห้วงอวกาศลึกได้อีกด้วย เนื่องจากในการสำรวจ Deep Space นั้น เราไม่สามารถส่ง Sounding Rocket ขึ้นไป Calibrate ข้อมูลได้นั่นเอง

เรียบเรียงโดย ทีมงาน SPACETH.CO

อ้างอิง

Artificial Intelligence Helps Improve NASA’s Eyes on the Sun

Multichannel autocalibration for the Atmospheric Imaging Assembly using machine learning

เราใช้คุกกี้เพื่อพัฒนาประสิทธิภาพ และประสบการณ์ที่ดีในการใช้เว็บไซต์ของคุณ คุณสามารถศึกษารายละเอียดได้ที่ นโยบายความเป็นส่วนตัว และสามารถจัดการความเป็นส่วนตัวเองได้ของคุณได้เองโดยคลิกที่ ตั้งค่า

Privacy Preferences

คุณสามารถเลือกการตั้งค่าคุกกี้โดยเปิด/ปิด คุกกี้ในแต่ละประเภทได้ตามความต้องการ ยกเว้น คุกกี้ที่จำเป็น

Allow All
Manage Consent Preferences
  • Always Active

Save