Sintesi del progetto
Obiettivo di ESPAI è stato fornire soluzioni per superare la perdita di dati osservativi causata dai flare solari che saturano i rivelatori del telescopio spaziale XMM‑Newton, rendendo inutilizzabili porzioni significative delle osservazioni. Il progetto sviluppa metodi di IA per riconoscere e separare automaticamente il contributo dei flare dal segnale astrofisico, aumentando il valore scientifico delle osservazioni e recuperando misure altrimenti scartate.
Obiettivi
Automatizzare l’intero flusso di dati compromessi dai flare: download delle osservazioni, riduzione del rumore, classificazione delle caratteristiche dei flare nelle osservazioni, così da migliorare la purezza del segnale e massimizzare il ritorno scientifico della missione XMM-Newton.
Problemi e necessità
I flare solari occorrono di frequente e coprono le sorgenti d’interesse; l’assenza di un filtraggio efficace porta a scartare tempo di osservazione costoso e non ripetibile. Serve una soluzione riproducibile che riduca la contaminazione senza introdurre artefatti.
Soluzioni sviluppate
Sono stati realizzati un downloader automatico, una pipeline orientata al Machine Learning, un’analisi completa delle feature e modelli di classificazione basati su Machine Learning, utilizzando per il training eventi di flare sintetici e prevedendo strategie robuste per osservazioni rumorose e ottimizzazioni in inferenza su curve di luce. Le attività hanno richiesto GPU e risorse HPC per gestire volumi e addestramenti su larga scala.
Benefici e ricadute
Il sistema consente la rianalisi dell’archivio XMM‑Newton, recuperando dati utili e migliorando la qualità delle misure. Le tecniche di classificazione del segnale e filtraggio del rumore sono trasferibili ad altri domini che trattano serie temporali complesse, come quelle derivanti dall’osservazione della Terra, dallo Space Weather e prodotte in ambito sanitario e industriale.
Settori che possono beneficiare
Impatto diretto negli ambiti Spazio e Intelligenza Artificiale con ricadute anche nei settori del Software e delle Nuove Tecnologie, dove la combinazione di IA e HPC accelera l’analisi di dataset rumorosi e su larga scala.
