这项新技术于2021年4月13日发表在《Astronomy&Astrophysics》上。
太阳望远镜的工作相当艰巨，盯着太阳要付出惨痛的代价，它要面对无休止的太阳粒子流和强烈的阳光。
随着时间的推移，太阳望远镜的敏感镜头和传感器开始退化。
为了确保这些仪器发回的数据仍然准确，科学家们需要定期重新校准以确保他们了解仪器是如何变化的。
NASA的太阳动力学观测站(SDO)于2010年发射，十多年来一直提供太阳的高清图像。
它的图像让科学家们得以详细观察各种太阳现象，而这些现象可以引发太空天气并影响我们的宇航员和地球上和太空中的技术。
大气图像组件(AIA)是SDO上的两个成像仪器之一，它持续观察太阳，每12秒通过10个波长的紫外线拍摄图像。
这创造了丰富的太阳信息，但就像所有凝视太阳的仪器一样，AIA会随着时间的推移而退化，数据需要经常校准。
自从SDO发射以来，科学家们已经使用探空火箭来校准AIA。
探空火箭是一种小型火箭、只携带少量仪器并进行短暂的太空飞行--通常只有15分钟。
至关重要的是，探空火箭飞到地球大气层的大部分上空从而使得上面的仪器能够看到AIA测量到的紫外线波长。
这些波长的光被地球大气层吸收、无法从地面测量。
为了校准AIA，科学家将在探空火箭上安装一个紫外线望远镜并将这些数据跟AIA的测量数据进行比较。
然后，科学家可以对AIA数据的任何变化进行调整。
不过探空火箭标定方法存在一些缺陷，虽然它可以发射很多次，但AIA却是一直在观察太阳，这意味着在每次探空火箭校准之间有一个校准时间。
“这对深空任务也非常重要，因为深空任务没有探测火箭校准的选项，”Luiz Dos Santos指出，“我们正在同时解决两个问题。
”Santos是NASA戈达德太空飞行中心的太阳物理学家，也是这篇论文的首席作者。
虚拟校准
考虑到这些挑战，科学家们决定寻找其他方法来校准仪器并着眼于持续校准。
AI中使用的机器学习技术似乎是一个较佳的选择。
机器学习，顾名思义，需要一个计算机程序或算法来学习如何执行它的任务。
首先，研究人员需要训练一种机器学习算法来识别太阳结构并如何使用AIA数据进行比较。
为了做到这一点，他们向算法提供来自探测火箭校准飞行的图像并告诉它们需要的正确校准量。
在这些例子足够多之后，他们给算法提供类似的图像，看看其是否能识别出所需的正确校准。
有了足够的数据，算法就能识别出每幅图像需要多少校准。
由于AIA在多个波长的光中观察太阳，所以研究人员还可以使用该算法来比较不同波长的特定结构并加强其评估。
研究人员通过显示AIA所有波长的太阳耀斑教授算法太阳耀斑是什么样子并一直到它识别出所有不同类型的光的太阳耀斑。
一旦程序能在没有任何退化的情况下识别太阳耀斑，算法就可以确定有多少退化影响了AIA当前的图像以及需要对每个图像进行多少校准。
“这是件大事，”Dos Santos表示，“我们不是仅仅在同一波长上识别它而是在不同波长上识别结构。
”
这意味着研究人员可以更确定算法识别的校准。
事实上，当将他们的虚拟校准数据跟探空火箭校准数据进行比较时，机器学习程序是正确的。
有了这个新流程，研究人员就可以在校准火箭飞行之间不断校准AIA的图像并提高SDO数据的准确性。
太阳之外的机器学习
实际上，研究人员还一直在使用机器学习来更好地了解离家更近的情况。
由ASTRA LLC和NASA戈达德太空飞行中心首席数据科学家和航空航天工程师Ryan McGranaghan博士领导的一组研究人员使用机器学习来更好地理解地球磁场和电离层之间的联系。
电离层是地球上层大气的带电部分。
通过对大量数据使用数据科学技术，他们可以应用机器学习技术来开发一个更新的模型以帮助他们更好地理解来自太空的带电粒子是如何进入地球大气层的，在那里它们驱动着太空天气。
随着机器学习的进步，它的科学应用将扩展到了越来越多的任务。
在未来，这可能意味着深空任务--前往那些无法并行校准火箭飞行的地方--仍可以进行校准且继续提供准确的数据，即使是在离地球或任何恒星越来越远的地方。
(原标题：研究人员利用AI帮助改善NASA SDO数据校准工作)