Khối plasma bốc lên từ bề mặt Mặt Trời. Ảnh: NASA

Chu kỳ hoạt động năng lượng của Mặt Trời kéo dài 11 năm, nhưng công nghệ các nhà khoa học sử dụng để quan sát đang tiến bộ ở tốc độ nhanh hơn. Một nghiên cứu mới cho thấy trí tuệ nhân tạo (AI) có thể thu hẹp khoảng cách giữa dữ liệu Mặt Trời cũ và mới, giúp khám phá thêm nhiều khía cạnh bị bỏ sót về quá trình tiến hóa lâu dài của ngôi sao này, Space hôm 17/4 đưa tin.

Các thế hệ kính thiên văn và thiết bị quan sát Mặt Trời thế hệ mới liên tục cung cấp hình ảnh chưa từng thấy về Mặt Trời. Những tiến bộ này cho phép các nhà khoa học nắm bắt chi tiết phức tạp về lóa mặt trời và lập bản đồ từ trường với độ chính xác cao hơn, đóng vai trò quan trọng nhằm hiểu rõ hơn quá trình phức tạp của Mặt Trời và thúc đẩy phát hiện mới. Tuy nhiên, dù đem lại chất lượng ưu việt, dữ liệu thu thập bởi mỗi thiết bị mới thường không tương thích với dữ liệu cũ do khác biệt về độ phân giải, hiệu chuẩn và chất lượng, gây khó khăn cho nghiên cứu quá trình tiến hóa của Mặt Trời qua nhiều thập kỷ.

Phương pháp dựa trên AI mới khắc phục những hạn chế trên bằng cách nhận diện kiểu mẫu và mối quan hệ trong các tập dữ liệu từ nhiều thiết bị khác nhau và chuyển đổi chúng sang định dạng tiêu chuẩn chung. Điều này cung cấp cho các nhà khoa học một kho lưu trữ dữ liệu quan sát Mặt Trời phong phú và nhất quán hơn để nghiên cứu, đặc biệt là cho các phân tích dài hạn về vết đen mặt trời lịch sử, các sự kiện hiếm gặp và nghiên cứu cần kết hợp dữ liệu từ nhiều thiết bị.

"AI không thể thay thế việc quan sát nhưng có thể giúp tận dụng tối đa dữ liệu đã thu thập. Đó là sức mạnh thực sự của phương pháp này", Robert Jarolim, người phát triển thuật toán tiên tiến xử lý hình ảnh Mặt Trời ở Đại học Graz tại Áo, trưởng nhóm nghiên cứu mới, cho biết.

Về cơ bản, phương pháp AI do Jarolim và đồng nghiệp phát triển có khả năng chuyển quan sát từ một thiết bị sang thiết bị khác, ngay cả khi những thiết bị đó không hoạt động cùng lúc. Điều này giúp phương pháp tiếp cận dựa trên dữ liệu của họ có thể áp dụng cho nhiều tập dữ liệu ảnh vật lý thiên văn. Nhóm nghiên cứu đạt được kết quả trên thông qua quá trình hai bước sử dụng mạng nơ-ron nhân tạo, một loại thuật toán học máy mô phỏng não người. Đầu tiên, mạng nơ-ron lấy ảnh chất lượng cao từ một thiết bị và mô phỏng hình ảnh chất lượng thấp như thể chúng được chụp bởi thiết bị kém chất lượng khác. Nhờ đó, AI có thể học hỏi "hư hại" hay khác biệt mang tính hệ thống từ các thiết bị.

Tiếp theo, mạng nơ-ron thứ hai được huấn luyện để lấy ảnh hư hại nhân tạo và sửa chữa, khiến bức ảnh trông giống ảnh chất lượng cao nguyên bản. Trong quá trình đó, nó học cách hiệu chỉnh những khác biệt giữa hai thiết bị. Khi AI học cách "sửa" hình ảnh hư hại nhân tạo, mạng nơ-ron thứ hai có thể cải thiện độ phân giải và giảm nhiễu trong hình ảnh thực tế chất lượng thấp do thiết bị cũ thu thập mà không làm méo mó hay loại bỏ những đặc điểm vật lý thực sự của Mặt Trời trong dữ liệu gốc.

Khung AI này cho phép dữ liệu cũ hưởng lợi từ khả năng của thiết bị mới, cho phép các nhà khoa học nâng cấp quan sát kém chi tiết hơn trong quá khứ lên tầm chất lượng của dữ liệu hiện đại. Các nhà nghiên cứu áp dụng kỹ thuật này vào dữ liệu thu thập bởi nhiều kính viễn vọng không gian khác nhau trong hai chu kỳ Mặt Trời kéo dài qua hai thập kỷ. Phương pháp tiếp cận của họ đã cải thiện chi tiết trong ảnh chụp toàn đĩa mặt trời, giảm mờ nhòe và biến dạng trong quan sát từ mặt đất do nhiễu khí quyển gây ra, thậm chí ước tính được từ trường ở phía xa của Mặt Trời.

Nhóm nghiên cứu cũng áp dụng phương pháp vào một vết đen mặt trời (NOAA 11106) được theo dõi khoảng một tuần vào tháng 9/2010. Theo phát hiện, AI tạo ra "hình ảnh từ tính" sắc nét và chi tiết hơn về vết đen mặt trời giúp các nhà khoa học nhìn rõ cấu trúc từ tính hiệu quả hơn so với dữ liệu gốc do Đài quan sát Mặt trời và Nhật quyển của NASA và ESA thu thập. Nghiên cứu mới được mô tả trong bài báo công bố đầu tháng 4 trên tạp chí Nature Communications.

An Khang (Theo Space)