太陽の極を写真に撮りに行きましょう！ AIニューラルネットワークが太陽を3Dで再現

著者: Add Zero

編集者：李宝珠、三洋

コロラド州の国立大気研究センター（NCAR）の研究者らは、NeRFsニューラルネットワークを使用して太陽の2次元画像を3次元再構成画像に変換し、太陽の極を初めて明らかにした。

極端紫外線（EUV）とは、波長が10～120 nmの範囲にある太陽放射を指します。 EUV は低軌道衛星の大気抵抗に影響を与えるだけでなく、人間の健康にも脅威をもたらします。 EUV 放射線に過度にさらされると、視力喪失、日焼け、さらには皮膚がんなどの深刻な病気につながる可能性があります。

EUV 予測は完全な太陽画像と切り離せません。しかし、現在のEUV撮像衛星は太陽の赤道（黄道）付近しか撮像できず、黄道以外の一部の視点を直接観測することができません。 2次元グラフィックスでは、大気の影響もあって正確な位置マッピングが得られず、限られた時間内に大量の画像を処理することも困難です。これらの障害により、太陽の三次元幾何学構造を再構築するのは非常に困難になります。

この問題に対処するため、コロラド州の国立大気研究センター（NCAR）の太陽物理学者ブノワ・トランブレイ氏とその同僚は、NeRFsニューラルネットワークを使用して太陽の2次元画像を3次元再構成画像に変換し、初めて太陽の極を明らかにした。黄道以外の観測点では、このモデルはピーク信号対雑音比が 43.3 dB、平均絶対相対誤差が 0.3% であり、太陽の一貫した 3 次元再構成画像を提供します。

人工知能が太陽の極地の一つを再現

このエリアは現実世界では観察されたことがありません。

論文アドレス: https://arxiv.org/abs/2211.14879

実験プロセス: 太陽の3D再構築

データセット: 太陽前方モデル画像

研究者らは、太陽コロナのPredictive Science Inc (PSI) 磁気流体力学 (MHD) シミュレーションを使用して、太陽大気中のプラズマパラメータと磁場の地球規模の3次元分布を推定しました。 193 年間にわたって等間隔の観測点から撮影された太陽のフォワードモデル画像合計 256 枚が選択され、そのうち黄道上の 32 の観測点がトレーニング セットとして使用され、黄道外の緯度の観測点がテスト セットとして使用されました。

トレーニング用の太陽画像

a: 2019-07-02 20:41:08 (UT) 黄道から撮影された 193Å の太陽の衛星画像。

b: 太陽の 3D モデルから抽出された衛星視点からのシミュレーション画像。

c: 3D モデルから抽出された 256 個の観測点の位置。トレーニング セット (ピンク) とテスト セット (緑) に使用された視点を示すために色分けされています。

アルゴリズム構造: SuNeRF モデル

目的: 一連のトレーニング画像から太陽の 3D ジオメトリを再構築します。

方法: 各座標点 (x、y、z) は、体積をシミュレートするように設計されたニューラル ネットワークを使用して、放出係数と吸収係数 (ε、κ) にマッピングされます。

機能: 各ピクセルについて、集団から光線をサンプリングします。

放射伝達原理: 放射伝達原理に基づく総強度計算。

SuNeRF モデルアーキテクチャ

トレーニングプロセス: 2D画像の3D再構築

NeRFs ニューラル ネットワークが変更され、アルゴリズムのトレーニング用に SuNeRFs ニューラル ネットワークが構築されます。

NeRF モデルの変更: NeRF モデルを太陽の物理的現実に合わせて調整し、密度と色の NeRF モデルの予測を放射係数と吸収係数に置き換えます。

放射と吸収の計算: 各ピクセルについて、光線の経路に沿ってポイントをサンプリングすることによって総放射が計算されます。各点（x、y、z）における放出係数と吸収係数（ϵ、κ）が予測されます。放射（I）は、κにサンプリング光線距離（ds）を乗じて計算されます。吸収 (A) は、各ポイントで 0 から 1 の間でスケールされる exp(κ * ds) として定義されます。

観測された総強度を計算します。原点から観測者までの光線経路上の吸収を考慮して、すべてのサンプル ポイントを積分し、積分された強度値を使用して観測された総強度 (I_total) を計算します。

ピクセル値の最適化: asinh ストレッチを適用して、トレーニングの値の範囲を最適化します。

太陽の形状に適応した NeRF 光線サンプリング: 光線は太陽から [-1.3, 1.3] 太陽半径以内からサンプリングされます。

AI が太陽の 2D 衛星画像 (左) を 3D 再構築画像 (中央) に変換します。

そして、これまで見たことのない太陽極域（右）のプロセスを計算した。

トレーニングには、バッチ サイズが 8096 レイで約 30 エポックを使用して NVIDIA A100 GPU で約 19 時間かかりました。 Rumelhart らによって提案されたバックプロパゲーション アルゴリズム。 1986年に発表されたモデルが採用され、適応モーメント推定（Adam）オプティマイザー（Kingma and Ba、2015）が使用され、学習率lr = 5 × 10^-4、平均二乗誤差（MSE）が損失関数として使用されました。

実験結果: 高精度3D再構成

モデルの不確実性は、異なる初期化を持つ 5 つの SuNeRF のアンサンブルを適合させ、出力の標準偏差を計算することによって推定されます。

品質評価: 図 (a) は、シミュレーションにおける各視点のピーク信号対雑音比 (PSNR) と構造類似性 (SSIM) を示しています。 SuNeRFs は、最小 SSIM 0.97 で高品質の結果を提供します。黄道面に近いポイントでは誤差が最も小さくなりますが、トレーニングとテストの分割から予想されるように、誤差は緯度とともに徐々に増加します。

モデルの比較: 図 (b) はモデルとベースライン メソッドを比較します。高緯度では、単純な再投影ではアーティファクトや実際の画像からの大きな偏差が見られますが、SuNeRF モデルではほぼ同じ画像がレンダリングされます。差異マップは、主な誤差が太陽の端の近くとその周囲で発生していることを示しており、これは不確実性マップにも反映されています。再投影法ではエッジ領域を処理できないことに注意してください。

SuNeRFの評価

a) 256 の視点で評価された PSNR と SSIM。対応する緯度と経度の点によって表されます。色は再構築の品質を示し、値が大きいほど実際のデータとの一致度が高いことを示します。 ± 7 度の緯度にある赤い破線は、トレーニングの観点とテストの観点の区別を示しています。
(b) 異なる緯度におけるベースライン法（球面再投影、最初の行）、シミュレートされたデータ（地上真実、2 番目の行）、および SuNeRF 再構築（3 番目の行）の定性的な比較。差異マップ (4 行目) は、私たちの方法が実際の結果から逸脱している領域を識別します。不確実性の推定値 (5 行目) は誤差と一致しています。

以下の表は、テスト セット全体の定量評価結果をまとめたものです。 SuNeRF モデルはベースライン メソッドを大幅に上回り、過大評価や過小評価の兆候は見られず、太陽の 3D 再構築において高い精度を達成しています。

クアフ：太陽を追い求める中国の夢

太陽は私たちと最も関係の深い星であり、詳細に研究できる唯一の星です。太陽は私たちに光と暖かさをもたらしますが、地球にも大きな影響を与えます。そのため、人々は長年にわたり太陽の謎の探究をやめることはなく、「風と太陽を追う」ことは常に中国の科学研究者の夢でした。

2021年に打ち上げられた西和は、わが国の太陽探査プロジェクトの先駆者ともいえるものであり、一方、咸富1号（ASO-S）は、紫外線、可視光線、X線の各帯域から太陽を観測できる太陽観測の万能機である。わが国が打ち上げた2機の太陽探査衛星はそれぞれ独自の目的を持っており、共同で世界の太陽物理研究の分野におけるわが国の影響力を高め、「太陽を追いかける」中国の科学者にとって最強のパートナーとなるだろう。

わが国の総合太陽探査衛星である「Kuafu-1」は、3つの初めての成果を達成しました。

1. 初めて「1つの磁場と2つの嵐」が科学的ターゲットとして選択され、それに対応するペイロードの組み合わせが構成された。

2. 初めて、太陽ディスク全体のベクトル磁場、太陽フレアの非熱放射画像、コロナ質量放出の太陽ディスク形成、コロナ伝播が単一の衛星プラットフォームで同時に観測されました。

3. ライマンアルファ帯における太陽面全体とコロナの同時観測

成熟しつつあるAI技術が引き絞られた弓だとすれば、人類の豊かな知識欲は神秘の深宇宙へと飛び立つ矢である。

参考文献:

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

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