Machine Learning für die Echtzeit-Erkennung von Sonneneruptionen, Hochschule für Informatik FHNW

Ob in der Weltraumforschung, der industriellen Produktion oder anderen datenintensiven Bereichen: Die Herausforderung ist oft dieselbe. Grosse Mengen komplexer Sensordaten müssen schnell analysiert und in nutzbare Informationen umgewandelt werden.

Die Sonnenforschung ist dafür ein besonders anspruchsvolles Beispiel. Sonneneruptionen gehören zu den energiereichsten Ereignissen in unserem Sonnensystem. Zu verstehen, wo sie auftreten und wie sie sich entwickeln, hilft Forschenden dabei, die physikalischen Prozesse auf der Sonne zu untersuchen.

Das Röntgenteleskop STIX (Spectrometer/Telescope for Imaging X-rays) an Bord des Solar Orbiter der ESA liefert wertvolle Messdaten zu Sonneneruptionen. STIX nimmt jedoch keine konventionellen Bilder auf. Stattdessen müssen Bilder und Positionen von Sonneneruptionen aus komplexen Messdaten rekonstruiert werden. 

Dieses Projekt untersucht, wie Machine Learning und Deep Learning diesen Prozess deutlich beschleunigen können.

Das Projektteam hat ein bestehendes Machine-Learning-Modell weiterentwickelt, das die Position einer Sonneneruption direkt aus den STIX-Messdaten bestimmt. Das Modell wurde mit Beobachtungsdaten trainiert und evaluiert sowie dafür optimiert, einen grösseren Bereich der Sonne abzudecken.

Anschliessend wurde die Lokalisierungsmethode mit einem Deep-Learning-Ansatz zur Bildrekonstruktion kombiniert. Gemeinsam bilden die beiden Methoden einen automatisierten Prozess, von komplexen Detektordaten über die Lokalisierung der Sonneneruption bis hin zum rekonstruierten Bild.

Die entwickelte Lösung wurde in das STIX Data Center integriert und bringt die Machine-Learning-Modelle damit direkt in den Arbeitsprozess der Forschenden. Forschende können einen Zeit- und Energiebereich auswählen und erhalten nahezu in Echtzeit sowohl die geschätzte Position der Sonneneruption als auch ein rekonstruiertes Quick-Look-Bild.

Bei unabhängigen Beobachtungsdaten erreicht das Machine-Learning-Modell einen mittleren Positionsfehler von rund 22 Bogensekunden. Gleichzeitig bestimmt es die Position der Sonneneruption rund 60-mal schneller als traditionelle Verfahren und deckt einen grösseren Bereich der Sonne ab als die bisherige Lösung. 

Die in diesem Projekt eingesetzten Methoden sind nicht auf die Astrophysik beschränkt. Viele Organisationen stehen vor ähnlichen Herausforderungen: Grosse Mengen an Sensor-, Mess- oder Bilddaten müssen effizient verarbeitet, Muster automatisiert erkannt und Ergebnisse schnell für Entscheidungen oder weitere Analysen verfügbar gemacht werden. Unsere Expertise in Machine Learning, Deep Learning, Bildrekonstruktion, Sensordatenanalyse und AI-basierter Datenverarbeitung lässt sich auf Anwendungen in der Industrie und anderen Bereichen übertragen.

Gemeinsam mit Unternehmen und Forschungspartnern entwickeln wir AI-Lösungen für komplexe Datenherausforderungen: von Machbarkeitsstudien und Prototypen über angewandte Forschung bis hin zur Integration in reale Prozesse.