我们的太阳通过每11年的能量活动模式循环，但是技术科学家用来观察的速度正在以更快的速度前进。
这是一项新研究的带回家信息之一，该信息认为人工智能（AI）可以弥合新的和较旧的太阳能数据之间日益增长的差距，并帮助科学家揭示我们恒星长期演变的忽视方面。
新一代的太阳能望远镜和仪器一直在不断提供前所未有的观点太阳。这些进步，允许科学家捕获复杂的细节太阳耀斑并以升高精度绘制太阳的磁场，对于理解其复杂过程和推动新发现至关重要。然而，由于分辨率，校准和质量的差异，每种新仪器虽然提供卓越的质量，但仍与较旧数据的数据相关的数据通常是不兼容的，因此研究了数十年来如何发展太阳是棘手的。
新的基于AI的方法通过从不同的太阳能仪器和数据类型中识别数据集中的模式和关系来克服这些限制，从而将其转化为常见的标准化格式。这为科学家提供了更丰富，更一致的太阳观测档案，特别是用于对历史的长期分析黑子研究作者说，罕见的事件和研究需要结合多种工具的数据。
罗伯特·贾罗里姆（Robert Jarolim陈述。“这就是这种方法的真正力量。”
Jarolim及其团队开发的AI方法基本上可以将观察结果从一种乐器转换为另一种乐器，即使这些乐器从未同时运行。这项新研究表明，这使得他们的数据驱动方法适用于许多天体物理成像数据集。
团队通过涉及神经网络的两步过程实现了这一目标，机器学习算法在人脑上松散建模。首先，一个神经网络从一种仪器中采用高质量的图像，并模拟降级的图像，就好像它们是被其他质量较低的仪器所拍摄的一样。这使AI可以学习仪器引入的“损害”或系统差异。
然后，对第二个神经网络进行了训练，可以拍摄这些人为退化的图像和“撤消”降级，使它们看起来像原始的高质量图像。这项新研究称，这样一来，它学习了如何纠正两种仪器之间的差异。
一旦AI学会了如何“修复”人为退化的图像，第二个神经网络就可以用来改善分辨率并减少旧仪器收集的真实，低质量图像中的噪声，而旧仪器收集的方式不会扭曲或删除原始数据中存在的太阳的实际物理特征。
该声明称，该AI框架使较旧的数据可以有效地从较新的工具的能力中受益，从而使科学家能够将不太详细的历史观察带到现代数据的质量上。
俄罗斯Skolkovo科学技术研究所的研究合着者Tatiana Podladchikova研究合着者Tatiana Podladchikova在同一声明中说：“该项目表明了现代计算如何将新的生命融入历史数据中。”“我们的工作不仅仅是增强旧图像 - 这是关于创建一种通用语言来研究太阳的演变。”
研究人员将此技术应用于两个超过两个空间望远镜收集的数据太阳周期，跨越了二十年。根据该声明，该方法在全盘太阳图像中改善了细节，在大气噪声引起的地面观测中的模糊和失真减少，甚至在太阳远端估计的磁场。
该团队还将该方法应用于在2010年9月经过大约一周的黑子（NOAA 11106）。太阳层天文台，NASA和欧洲航天局的共同努力。
Podladchikova在声明中说：“最终，我们正在建立一个未来的，过去或未来的每个观察都可以说相同的科学语言。”
这项研究在纸4月2日发表在《自然通讯》杂志上。