Солнечные телескопы постоянно совершенствуются, что позволяет получать всё более детальные изображения Солнца. Однако с появлением очередного поколения этих приборов возникает и новая проблема — учёт различий в получаемых данных: сравнивать самые последние наблюдения и исторические, охватывающие порой несколько десятилетий, становится всё труднее. Кроме того, из-за несоответствий в разрешении, калибровке приборов и качестве данных возникают сложности при изучении долговременных изменений на Солнце и редких солнечных явлений.

Учёные из Грацского университета в Австрии и их коллеги из Сколковского института науки и технологий (Сколтех) в России и Высокогорной обсерватории Национального центра атмосферных исследований США (HAO NSF NCAR) разработали новую систему методов глубокого обучения (Instrument-To-Instrument translation — ITI), которая помогает решить проблему различий между историческими и новыми наблюдениями. Результаты исследования опубликованы в журнале Nature Communications.

«Используя генеративные состязательные сети, мы разработали метод, позволяющий транслировать данные наблюдений за Солнцем с одного прибора на другой, даже если эти приборы никогда не использовались одновременно», — рассказывает сотрудник Высокогорной обсерватории Национального центра атмосферных исследований США и первый автор исследования Роберт Яролим. С помощью предложенного метода система на базе ИИ способна выявлять и переносить свойства самых последних наблюдений на более старые данные.

Архитектура модели основана на двух соперничающих нейросетях: первая искусственно ухудшает качество изображений, вторая — восстанавливает их до эталонного уровня. Методика использует реальные наблюдения, точно моделируя специфические искажения каждого инструмента. Обученная таким образом система преобразует старые зашумленные данные в изображения высокого разрешения, сопоставимые с современными космическими наблюдениями. При этом алгоритм сохраняет все физически значимые детали, что критически важно для научного анализа долгосрочной эволюции Солнца.

Предложенная методика была опробована на нескольких наборах данных: так, с её помощью удалось объединить данные за 24 года космических наблюдений, повысить разрешение снимков полного диска Солнца, снизить атмосферный шум в изображениях Солнца, полученных с Земли, и даже оценить величину магнитных полей на дальней стороне Солнца с использованием только данных наблюдений в экстремальном ультрафиолете.

«ИИ не может заменить реальные наблюдения, но он может помочь извлечь максимум полезной информации из уже существующих данных, — продолжает Яролим. — В этом ключевая практическая ценность нашего метода». Совмещая современные высококачественные наблюдения с историческими данными, алгоритм создает единую согласованную картину. Такой подход не просто улучшает старые снимки — он открывает новые возможности для изучения долгосрочной эволюции Солнца.

«Этот проект наглядно показывает, как современные вычисления могут вдохнуть новую жизнь в архивные данные, — добавляет соавтор исследования, директор Центра системного проектирования Сколтеха, доцент Сколтеха Татьяна Подладчикова. — Наша работа выходит за рамки простого улучшения старых изображений: мы создаём универсальный язык для изучения эволюции Солнца. Благодаря высокопроизводительным вычислениям Сколтеха, мы обучили ИИ-модели, которые выявляют скрытые взаимосвязи в десятилетиях солнечных наблюдений, обнаруживая закономерности в масштабе нескольких солнечных циклов. В конечном счёте мы строим будущее, где каждое наблюдение — прошлое или будущее — будет говорить на едином научном языке».