KR102531838B1 - Learning method and learning device for predicting geomagnetic disturbance index by using extreme ultraviolet radiation video of sun, and testing method and testing device using the same - Google Patents

Learning method and learning device for predicting geomagnetic disturbance index by using extreme ultraviolet radiation video of sun, and testing method and testing device using the same Download PDF

Info

Publication number
KR102531838B1
KR102531838B1 KR1020210058246A KR20210058246A KR102531838B1 KR 102531838 B1 KR102531838 B1 KR 102531838B1 KR 1020210058246 A KR1020210058246 A KR 1020210058246A KR 20210058246 A KR20210058246 A KR 20210058246A KR 102531838 B1 KR102531838 B1 KR 102531838B1
Authority
KR
South Korea
Prior art keywords
learning
prediction
image
test
extreme ultraviolet
Prior art date
Application number
KR1020210058246A
Other languages
Korean (ko)
Other versions
KR20220151246A (en
Inventor
김경호
Original Assignee
대한민국
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 대한민국 filed Critical 대한민국
Priority to KR1020210058246A priority Critical patent/KR102531838B1/en
Publication of KR20220151246A publication Critical patent/KR20220151246A/en
Application granted granted Critical
Publication of KR102531838B1 publication Critical patent/KR102531838B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Atmospheric Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Photovoltaic Devices (AREA)

Abstract

극자외선 태양 영상을 사용하여 지자기 교란 지수를 예측하는 학습 방법이 개시된다. 즉, 학습 장치가, 예측 모델부로 하여금, 이에 포함된 적어도 하나의 영상변환뉴럴넷을 사용하여 적어도 하나의 학습용 극자외선 태양 영상에 영상변환연산을 가함으로써, 각각의 상기 학습용 극자외선 태양 영상에 대응하는 정보를 포함하는 각각의 학습용 영역벡터를 생성하도록 하는 단계; (b) 상기 학습 장치가, 상기 예측 모델부로 하여금, 이에 포함된 적어도 하나의 교란예측뉴럴넷을 사용하여 상기 학습용 영역벡터에 적어도 하나의 재귀예측연산을 가함으로써, 기설정된 학습용 시간 범위에 대한 학습용 지자기 교란 지수를 계산하도록 하는 단계; 및 (c) 상기 학습 장치가, 모델 학습부로 하여금, 상기 학습용 지자기 교란 지수 및 정답(Ground-Truth, GT) 지자기 교란 지수를 참조하여 로스를 생성한 후, 상기 로스를 역전파함으로써 상기 영상변환뉴럴넷 및 상기 교란예측뉴럴넷의 파라미터들 중 적어도 일부를 학습하도록 하는 단계를 포함하는 것을 특징으로 하는 학습 방법이 개시된다.A learning method for predicting a geomagnetic disturbance index using an extreme ultraviolet solar image is disclosed. That is, the learning device causes the prediction model unit to apply an image conversion operation to at least one extreme ultraviolet sun image for learning using at least one image conversion neural net included therein, thereby generating a corresponding image for each extreme ultraviolet sun image for learning. generating each learning area vector including information; (b) The learning device causes the prediction model unit to apply at least one recursive prediction operation to the learning area vector using at least one disturbance prediction neural net included therein, thereby providing a learning geomagnetism for a preset learning time range. allowing calculation of a disturbance index; and (c) the learning device causes the model learning unit to generate a loss by referring to the learning geomagnetic disturbance index and the ground-truth (GT) geomagnetic disturbance index, and then backpropagates the loss to the image conversion neural net. and learning at least some of the parameters of the perturbation prediction neural net.

Description

극자외선 태양 영상을 사용하여 지자기 교란 지수를 예측하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치{LEARNING METHOD AND LEARNING DEVICE FOR PREDICTING GEOMAGNETIC DISTURBANCE INDEX BY USING EXTREME ULTRAVIOLET RADIATION VIDEO OF SUN, AND TESTING METHOD AND TESTING DEVICE USING THE SAME}Learning method and device for predicting geomagnetic disturbance index using extreme ultraviolet solar image, and test method and test device using the same AND TESTING DEVICE USING THE SAME}

본 발명은 극자외선 태양 영상을 사용하여 지자기 교란 지수를 예측하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치에 관한 것이다.The present invention relates to a learning method and device for predicting a geomagnetic disturbance index using an extreme ultraviolet solar image, and a test method and test device using the same.

지구의 자기장(지자기)은 지구 주변 우주 공간의 플라스마 밀도, 속도와 자기장 변화에 따라 교란된다. 태양계 내 우주 공간의 환경은 태양이 절대적인 영향력을 미치는데, 이와 같은 영향력의 대표적인 예시로, 태양으로부터 불어나오는 플라스마의 흐름인 태양풍이 있다. 따라서 태양을 관측함으로써 지구 주위 자기장과 플라스마가 어떻게 분포할지 예상할 수 있고, 이를 통해 지자기 교란을 예측할 수 있다.Earth's magnetic field (geomagnetism) is disturbed by changes in plasma density, velocity and magnetic field in outer space around the Earth. The sun exerts an absolute influence on the environment of outer space in the solar system. As a representative example of such an influence, there is the solar wind, a flow of plasma blowing from the sun. Therefore, by observing the sun, it is possible to predict how the magnetic field and plasma around the earth will be distributed, and through this, geomagnetic disturbance can be predicted.

태양 영상들 중 하나인 극자외선 대역의 태양 영상은 태양 대기 상층에서 자기장에 의해 하전입자가 가속되면서 발생하는 빛에 대한 정보를 담고 있는데, 이는 자기장의 분포에 따라 영상의 패턴이 달라지는 특징이 있으며, 결국 극자외선 대역의 태양 영상의 패턴이 변화할 경우 지구가 태양으로부터 받는 영향이 달라질 것임을 알 수 있다. 예를 들어, 극자외선 영상에서는 자기장이 열려있어 검게 보이는 코로나 홀이라는 영역이 관측되는데, 이 영역에서는 고속 태양풍이 불어 나온다. 이와 같은 고속의 태양풍은 지구 자기장을 교란시키는 원인 중 하나이다. 극자외선 태양 영상은 상술한 바와 같이 지구 자기장의 변화를 알 수 있는 많은 정보를 포함하고 있으나, 이를 통해 지자기를 예측하는 방법으로는 전술한 코로나 홀의 분석 정보를 이용하여 지자기 교란을 예측하는 방법 정도만이 연구되었을 뿐이다.One of the solar images, the solar image in the extreme ultraviolet band, contains information about the light generated when charged particles are accelerated by the magnetic field in the upper atmosphere of the sun. After all, it can be seen that if the pattern of the solar image in the extreme ultraviolet band changes, the influence the earth receives from the sun will change. For example, in extreme ultraviolet images, areas called corona holes, which appear black due to open magnetic fields, are observed, from which high-speed solar wind blows. This high-speed solar wind is one of the causes of disturbing the Earth's magnetic field. Although the extreme ultraviolet solar image contains a lot of information to know the change of the earth's magnetic field as described above, the method of predicting the geomagnetic disturbance using the analysis information of the corona hole is the only way to predict the geomagnetism through it. has only been studied.

본 발명은 코로나 홀과 관련된 정보만을 이용하는 종래 기술과 달리 시간에 따라 관측된 여러 장의 극자외선 태양 영상의 모든 영역 간의 시공간적 변화 패턴을 추출하여 태양 자기장의 시공간적 변화로 인해 발생하는 복합적인 지자기 교란을 예측하고 예측된 지자기 교란에 대한 태양 영상 내 영역들의 중요도를 예측의 근거로서 제공하는 것을 목적으로 한다.Unlike the prior art using only information related to the corona hole, the present invention predicts complex geomagnetic disturbances caused by the temporal and spatial changes of the solar magnetic field by extracting spatiotemporal change patterns between all regions of several extreme ultraviolet solar images observed over time. and to provide the importance of regions in the solar image for the predicted geomagnetic disturbance as a basis for prediction.

또한 본 발명은 극자외선 태양 영상을 사용해 지자기 교란 지수를 예측할 수 있는 인공신경망 및 이를 학습하는 방법을 제공하는 것을 목적으로 한다.Another object of the present invention is to provide an artificial neural network capable of predicting a geomagnetic disturbance index using extreme ultraviolet solar images and a method for learning the same.

또한 본 발명은 지자기 교란을 사전에 예측함으로써 이로 인해 발생할 수 있는 사회경제적 피해를 예방하는 것을 목적으로 한다.In addition, an object of the present invention is to prevent socioeconomic damage that may occur due to geomagnetic disturbance by predicting it in advance.

본 발명의 일 태양에 따르면, 극자외선 태양 영상을 사용하여 지자기 교란 지수를 예측하는 학습 방법에 있어서, (a) 학습 장치가, 예측 모델부로 하여금, 이에 포함된 적어도 하나의 영상변환뉴럴넷을 사용하여 적어도 하나의 학습용 극자외선 태양 영상에 영상변환연산을 가함으로써, 각각의 상기 학습용 극자외선 태양 영상에 대응하는 정보를 포함하는 각각의 학습용 영역벡터를 생성하도록 하는 단계; (b) 상기 학습 장치가, 상기 예측 모델부로 하여금, 이에 포함된 적어도 하나의 교란예측뉴럴넷을 사용하여 상기 학습용 영역벡터에 적어도 하나의 재귀예측연산을 가함으로써, 기설정된 학습용 시간 범위에 대한 학습용 지자기 교란 지수를 계산하도록 하는 단계; 및 (c) 상기 학습 장치가, 모델 학습부로 하여금, 상기 학습용 지자기 교란 지수 및 정답(Ground-Truth, GT) 지자기 교란 지수를 참조하여 로스를 생성한 후, 상기 로스를 역전파함으로써 상기 영상변환뉴럴넷 및 상기 교란예측뉴럴넷의 파라미터들 중 적어도 일부를 학습하도록 하는 단계를 포함하는 것을 특징으로 하는 학습 방법이 개시된다.According to one aspect of the present invention, in the learning method for predicting the geomagnetic disturbance index using an extreme ultraviolet solar image, (a) the learning device causes the prediction model unit to use at least one image conversion neural net included in the learning method generating each learning area vector including information corresponding to each extreme ultraviolet sun image for learning by applying an image conversion operation to at least one extreme ultraviolet sun image for learning; (b) The learning device causes the prediction model unit to apply at least one recursive prediction operation to the learning area vector using at least one disturbance prediction neural net included therein, thereby providing a learning geomagnetism for a preset learning time range. allowing calculation of a disturbance index; and (c) the learning device causes the model learning unit to generate a loss by referring to the learning geomagnetic disturbance index and the ground-truth (GT) geomagnetic disturbance index, and then backpropagates the loss to the image conversion neural net. and learning at least some of the parameters of the perturbation prediction neural net.

일례로서, 상기 (a) 단계 이전에, (a0) 상기 학습 장치가, 영상 정렬부로 하여금, (i) 데이터베이스로부터 태양의 극자외선을 상기 학습용 시간 범위 동안 일정 주기로 관측한 로우(Raw) 극자외선 영상 및 이에 대응하는 관측 지자기 교란 지수를 획득한 뒤, (ii-1) 상기 로우 극자외선 영상에 적어도 하나의 전처리연산을 가하여 상기 학습용 극자외선 태양 영상을 획득하고, (ii-2) 각각의 상기 관측 지자기 교란 지수를 각각의 상기 학습용 극자외선 태양 영상과 매칭함으로써 상기 정답 지자기 교란 지수를 획득하는 단계를 더 포함하는 것을 특징으로 하는 방법이 개시된다.As an example, before the step (a), (a0) the learning device causes the image arranging unit to (i) a raw extreme ultraviolet image obtained by observing extreme ultraviolet rays of the sun from a database at regular intervals during the learning time range and after obtaining an observed geomagnetic disturbance index corresponding thereto, (ii-1) obtaining the training extreme ultraviolet solar image by applying at least one preprocessing operation to the raw extreme ultraviolet image, (ii-2) each of the observation The method further comprises obtaining the correct geomagnetic disturbance index by matching the geomagnetic disturbance index with each of the extreme ultraviolet solar images for learning.

일례로서, 상기 (a0) 단계는, 상기 학습 장치가, 상기 영상 정렬부로 하여금, 상기 로우 극자외선 영상 상의 태양 원반의 반지름 및 중심 위치를 계산한 후, (i) 상기 계산된 반지름 및 상기 계산된 중심 위치와 (ii) 기지정된 기준 중심 및 기준 반지름을 참조하여 상기 로우 극자외선 영상을 조정함으로써 상기 전처리연산을 가하도록 하는 것을 특징으로 하는 방법이 개시된다.As an example, in the step (a0), after the learning device calculates the radius and center position of the solar disk on the raw extreme ultraviolet image by the image aligning unit, (i) the calculated radius and the calculated A method characterized in that the preprocessing operation is applied by adjusting the raw EUV image with reference to a central position and (ii) a predetermined reference center and reference radius.

일례로서, 상기 (a) 단계는, 상기 학습 장치가, 상기 예측 모델부로 하여금, 상기 영상변환뉴럴넷을 사용하여 각각의 학습용 극자외선 태양 영상들에 영상변환뉴럴넷연산을 가함으로써 상기 학습용 극자외선 태양 영상들 상의 각각의 특정영역에 대응하는 각각의 패턴벡터를 추출하도록 한 후, 상기 예측 모델부로 하여금 상기 각각의 패턴벡터를 참조로 셀프 어텐션 메커니즘 연산을 수행하여 각각의 상기 학습용 영역벡터를 생성함으로써 상기 영상변환연산을 수행하도록 하는 것을 특징으로 하는 방법이 개시된다. As an example, in the step (a), the learning device causes the prediction model unit to apply an image conversion neural net operation to each of the extreme ultraviolet sun images for learning using the image conversion neural net, thereby obtaining the learning extreme ultraviolet sun image After extracting each pattern vector corresponding to each specific region on the image, the prediction model unit performs a self-attention mechanism operation with reference to each pattern vector to generate each region vector for learning, thereby generating the image. A method characterized by causing a conversion operation to be performed is disclosed.

일례로서, 상기 (b) 단계는, 상기 학습 장치가, 예측 모델부로 하여금, 상기 학습용 영역벡터들을 키 및 값으로서 입력받고, 기획득된 시간벡터를 쿼리로서 입력받아 어텐션 메커니즘 연산을 수행하여 학습용 제1 예측벡터들을 생성한 후, 상기 교란예측뉴럴넷을 이용하여 교란예측뉴럴넷연산을 가함으로써 학습용 제1 변환예측벡터들을 생성하며, 상기 학습용 영역벡터들을 상기 키 및 상기 값으로서 입력받고, 학습용 제K-1 변환예측벡터들 - K는 2 이상 N 이하의 정수임 - 을 상기 쿼리로서 입력받아 상기 어텐션 메커니즘 연산을 다시 수행하여 학습용 제K 예측벡터들을 생성한 후, 상기 교란예측뉴럴넷을 이용하여 상기 교란예측뉴럴넷연산을 가함으로써 학습용 제K 변환예측벡터들을 생성하며, 상기 연산을 반복하여 학습용 제N 변환예측벡터들이 생성되면, 최종뉴럴넷을 이용하여 상기 학습용 제N 변환예측벡터들에 최종뉴럴넷연산을 가하여 상기 학습용 지자기 교란 지수를 계산함으로써 상기 재귀예측연산을 수행하도록 하는 것을 특징으로 하는 방법이 개시된다.As an example, in the step (b), the learning device causes the prediction model unit to receive the learning area vectors as keys and values, receive the specially obtained time vector as a query, and perform an attention mechanism operation, After generating 1 prediction vectors, first transformation prediction vectors for learning are generated by applying a disturbance prediction neural net operation using the disturbance prediction neural net, receiving the learning area vectors as the key and the value, and learning K-th transformation prediction vectors. 1 Transformation prediction vectors - where K is an integer of 2 or more and less than or equal to N - are received as the query, the attention mechanism operation is performed again to generate the Kth prediction vectors for learning, and then the disturbance prediction neural net is used to generate the disturbance prediction neural net. The K-th transformation prediction vectors for learning are generated by applying the operation, and when the N-th transformation prediction vectors for learning are generated by repeating the above operation, the final neural net operation is applied to the N-th transformation prediction vectors for learning using the final neural net to obtain the learning A method characterized by performing the recursive prediction operation by calculating a geomagnetic disturbance index is disclosed.

일례로서, 상기 (b) 단계는, 상기 학습 장치가, 상기 학습용 시간 범위 및 기설정된 주기함수를 참조하여 상기 시간벡터를 획득하는 것을 특징으로 하는 방법이 개시된다.As an example, in step (b), the learning device acquires the time vector by referring to the learning time range and a preset periodic function.

일례로서, 상기 (c) 단계는, 상기 학습 장치가, 상기 어텐션 메커니즘 연산을 수행하여 상기 학습용 제1 예측벡터들을 생성하면서 계산한 제1어텐션가중치 내지 상기 어텐션 메커니즘 연산을 수행하여 상기 학습용 제N 예측벡터들을 생성하면서 계산한 제N어텐션가중치를 상기 학습용 지자기 교란 지수와 함께 출력하는 것을 특징으로 하는 방법이 개시된다.As an example, in the step (c), the learning device performs the attention mechanism operation to generate the first prediction vectors for learning, and the first attention weight calculated while performing the attention mechanism operation to perform the learning Nth prediction. Disclosed is a method characterized by outputting the Nth attention weight calculated while generating vectors together with the geomagnetic disturbance index for learning.

일례로서, 상기 (c) 단계는, 상기 학습 장치가, 상기 제1어텐션가중치 내지 상기 제N어텐션가중치에 대응하는, 상기 학습용 극자외선 태양 영상 상의 제1 내지 제N근거영역을 시각적으로 표시함으로써 상기 제1어텐션가중치 내지 상기 제N어텐션가중치를 출력하는 것을 특징으로 하는 방법이 개시된다.As an example, in the step (c), the learning device visually displays first to Nth ground regions on the extreme ultraviolet solar image for learning corresponding to the first to Nth attention weights, thereby Disclosed is a method characterized by outputting first through Nth attention weights.

본 발명의 다른 태양에 따르면, 극자외선 태양 영상을 사용하여 지자기 교란 지수를 예측하는 테스트 방법에 있어서, (a) 테스트 장치가, (1) 예측 모델부로 하여금, 이에 포함된 적어도 하나의 영상변환뉴럴넷을 사용하여 적어도 하나의 학습용 극자외선 태양 영상에 영상변환연산을 가함으로써, 각각의 상기 학습용 극자외선 태양 영상에 대응하는 정보를 포함하는 각각의 학습용 영역벡터를 생성하도록 하는 프로세스; (2) 상기 예측 모델부로 하여금, 이에 포함된 적어도 하나의 교란예측뉴럴넷을 사용하여 상기 학습용 영역벡터에 적어도 하나의 재귀예측연산을 가함으로써, 기설정된 학습용 시간 범위에 대한 학습용 지자기 교란 지수를 계산하도록 하는 프로세스; 및 (3) 모델 학습부로 하여금, 상기 학습용 지자기 교란 지수 및 정답(Ground-Truth, GT) 지자기 교란 지수를 참조하여 로스를 생성한 후, 상기 로스를 역전파함으로써 상기 영상변환뉴럴넷 및 상기 교란예측뉴럴넷의 파라미터들 중 적어도 일부를 학습하도록 하는 프로세스를 수행함으로써 학습이 완료된 상태에서, 상기 예측 모델부로 하여금, 이에 포함된 적어도 하나의 상기 영상변환뉴럴넷을 사용하여 적어도 하나의 테스트용 극자외선 태양 영상에 상기 영상변환연산을 가함으로써, 각각의 상기 테스트용 극자외선 태양 영상에 대응하는 정보를 포함하는 각각의 테스트용 영역벡터를 생성하도록 하는 단계; (b) 상기 테스트 장치가, 상기 예측 모델부로 하여금, 이에 포함된 적어도 하나의 상기 교란예측뉴럴넷을 사용하여 상기 테스트용 영역벡터에 적어도 하나의 상기 재귀예측연산을 가함으로써, 기설정된 테스트용 시간 범위에 대한 테스트용 지자기 교란 지수를 계산하도록 하는 단계;를 포함하는 것을 특징으로 하는 테스트 방법이 개시된다.According to another aspect of the present invention, in a test method for predicting a geomagnetic disturbance index using an extreme ultraviolet solar image, (a) a test device causes (1) a prediction model unit to include at least one image conversion neural network included therein a process of generating respective learning area vectors including information corresponding to each extreme ultraviolet sun image for learning by applying an image conversion operation to at least one extreme ultraviolet sun image for learning using (2) to cause the prediction model unit to calculate a geomagnetic disturbance index for learning for a preset learning time range by applying at least one recursive prediction operation to the learning area vector using at least one disturbance prediction neural net included therein; process; and (3) causing a model learning unit to generate a loss by referring to the geomagnetic disturbance index for learning and the ground-truth (GT) geomagnetic disturbance index, and then back-propagating the loss, thereby generating the image conversion neural net and the disturbance prediction neural net. In a state in which learning is completed by performing a process of learning at least some of the parameters of , the prediction model unit uses at least one of the image conversion neural nets included in the learning process to at least one EUV solar image for testing. generating each test area vector including information corresponding to each of the extreme ultraviolet solar images for test by applying an image conversion operation; (b) The test device causes the prediction model unit to apply at least one recursive prediction operation to the test region vector using at least one disturbance prediction neural net included therein, thereby setting a predetermined test time range. A test method comprising the step of calculating a geomagnetic disturbance index for a test is disclosed.

일례로서, 상기 (a) 단계 이전에, (a0) 상기 테스트 장치가, 영상 정렬부로 하여금, 데이터베이스로부터 태양의 극자외선을 상기 테스트용 시간 범위 동안 일정 주기로 관측한 로우(Raw) 극자외선 영상을 획득한 뒤, 상기 로우 극자외선 관측 영상에 적어도 하나의 전처리연산을 가하여 상기 테스트용 극자외선 태양 영상을 획득하는 단계를 더 포함하는 것을 특징으로 하는 방법이 개시된다.As an example, before the step (a), (a0) the test device causes the image aligning unit to observe the extreme ultraviolet rays of the sun at regular intervals during the test time range from the database Obtain raw extreme ultraviolet images After that, the method further comprising obtaining the extreme ultraviolet solar image for testing by applying at least one preprocessing operation to the raw extreme ultraviolet observation image is disclosed.

일례로서, 상기 (a0) 단계는, 상기 테스트 장치가, 상기 영상 정렬부로 하여금, 상기 태양 극자외선 관측 영상 상의 태양 원반의 반지름 및 중심 위치를 계산한 후, (i) 상기 계산된 반지름 및 상기 계산된 중심 위치와 (ii) 기지정된 기준 중심 및 기준 반지름을 참조하여 상기 태양 극자외선 관측 영상을 조정함으로써 상기 전처리연산을 가하는 것을 특징으로 하는 방법이 개시된다.As an example, in the step (a0), after the test device calculates the radius and center position of the solar disk on the solar extreme ultraviolet observation image by the image aligning unit, (i) the calculated radius and the calculation A method characterized by applying the preprocessing operation by adjusting the solar extreme ultraviolet observation image with reference to the center position and (ii) a predetermined reference center and reference radius is disclosed.

일례로서, 상기 (a) 단계는, 상기 테스트 장치가, 상기 예측 모델부로 하여금, 상기 영상변환뉴럴넷을 사용하여 각각의 테스트용 극자외선 태양 영상들에 영상변환뉴럴넷연산을 가함으로써 상기 테스트용 극자외선 태양 영상들 상의 각각의 특정영역에 대응하는 각각의 패턴벡터를 추출하도록 한 후, 상기 예측 모델부로 하여금 상기 각각의 패턴벡터를 참조로 셀프 어텐션 메커니즘 연산을 수행하여 각각의 상기 테스트용 영역벡터를 생성함으로써 상기 영상변환연산을 수행하도록 하는 것을 특징으로 하는 방법이 개시된다. As an example, in the step (a), the test device causes the prediction model unit to perform an image conversion neural net operation on each of the extreme ultraviolet sun images for testing using the image conversion neural net, thereby generating the test EUV After extracting each pattern vector corresponding to each specific region on the sun images, the prediction model unit performs a self-attention mechanism operation with reference to each pattern vector to generate each of the test region vectors. Disclosed is a method characterized in that the image conversion operation is performed by doing so.

일례로서, 상기 (b) 단계는, 상기 테스트 장치가, 예측 모델부로 하여금, 상기 테스트용 영역벡터들을 키 및 값으로서 입력받고, 기획득된 시간벡터를 쿼리로서 입력받아 어텐션 메커니즘 연산을 수행하여 제1 테스트용 예측벡터들을 생성한 후, 상기 교란예측뉴럴넷을 이용하여 교란예측뉴럴넷연산을 가함으로써 제1 테스트용 변환예측벡터들을 생성하며, 상기 테스트용 영역벡터들을 상기 키 및 상기 값으로서 입력받고, 제N-1 테스트용 변환예측벡터들 - N은 2 이상의 정수임 - 을 상기 쿼리로서 입력받아 상기 어텐션 메커니즘 연산을 다시 수행하여 제N 테스트용 예측벡터들을 생성한 후, 상기 교란예측뉴럴넷을 이용하여 상기 교란예측뉴럴넷연산을 가함으로써 제N 테스트용 변환예측벡터들을 생성하며, 최종뉴럴넷을 이용하여 상기 제N 테스트용 변환예측벡터들에 최종뉴럴넷연산을 가하여 상기 테스트용 지자기 교란 지수를 계산함으로써 상기 재귀예측연산을 수행하도록 하는 것을 특징으로 하는 방법이 개시된다.As an example, in the step (b), the test device causes the prediction model unit to receive the test area vectors as keys and values, receive the specially obtained time vector as a query, and perform an attention mechanism operation. After generating prediction vectors for 1st test, transform prediction vectors for a first test are generated by applying a disturbance prediction neural net operation using the disturbance prediction neural net, and receiving the test region vectors as the key and the value, Transformation prediction vectors for the N-1st test, where N is an integer greater than or equal to 2, are input as the query, and the attention mechanism operation is performed again to generate the Nth prediction vectors for the test. The recursive prediction by applying a disturbance prediction neural net operation to generate Nth test transformation prediction vectors, and applying a final neural net operation to the Nth test transformation prediction vectors using the final neural net to calculate the geomagnetic disturbance index for the test. A method characterized by causing an operation to be performed is disclosed.

일례로서, 상기 (b) 단계는, 상기 테스트 장치가, 상기 테스트용 시간 범위 및 기설정된 주기함수를 참조하여 상기 시간벡터를 획득하는 것을 특징으로 하는 방법이 개시된다.As an example, in step (b), the test device obtains the time vector by referring to the test time range and a predetermined periodic function.

일례로서, 상기 (c) 단계는, 상기 테스트 장치가, 상기 어텐션 메커니즘 연산을 수행하여 상기 제1 테스트용 예측벡터들을 생성하면서 계산한 제1어텐션가중치 내지 상기 어텐션 메커니즘 연산을 수행하여 상기 제N 테스트용 예측벡터들을 생성하면서 계산한 제N어텐션가중치를 상기 테스트용 지자기 교란 지수와 함께 출력하는 것을 특징으로 하는 방법이 개시된다.As an example, in the step (c), the test device performs the first attention weight calculated while generating the prediction vectors for the first test by performing the attention mechanism operation to the Nth test by performing the attention mechanism operation. Disclosed is a method characterized by outputting an Nth attention weight calculated while generating predictive vectors for a test together with the geomagnetic disturbance index for a test.

일례로서, 상기 (c) 단계는, 상기 테스트 장치가, 상기 제1어텐션가중치 내지 상기 제N어텐션가중치에 대응하는, 상기 테스트용 극자외선 태양 영상 상의 제1 내지 제N근거영역을 시각적으로 표시함으로써 상기 제1어텐션가중치 내지 상기 제N어텐션가중치를 출력하는 것을 특징으로 하는 방법이 개시된다.As an example, in step (c), the test device visually displays first to Nth ground regions on the extreme ultraviolet solar image for testing, corresponding to the first to Nth attention weights, A method characterized in outputting the first to Nth attention weights is disclosed.

본 발명의 다른 태양에 따르면, 극자외선 태양 영상을 사용하여 지자기 교란 지수를 예측하는 학습 장치에 있어서, 인스트럭션들을 저장하는 하나 이상의 메모리; 및 상기 인스트럭션들을 수행하도록 설정된 하나 이상의 프로세서를 포함하되, 상기 프로세서는, (I) 예측 모델부로 하여금, 이에 포함된 적어도 하나의 영상변환뉴럴넷을 사용하여 적어도 하나의 학습용 극자외선 태양 영상에 영상변환연산을 가함으로써, 각각의 상기 학습용 극자외선 태양 영상에 대응하는 정보를 포함하는 각각의 학습용 영역벡터를 생성하도록 하는 프로세스; (II) 상기 예측 모델부로 하여금, 이에 포함된 적어도 하나의 교란예측뉴럴넷을 사용하여 상기 학습용 영역벡터에 적어도 하나의 재귀예측연산을 가함으로써, 기설정된 학습용 시간 범위에 대한 학습용 지자기 교란 지수를 계산하도록 하는 프로세스; 및 (III) 모델 학습부로 하여금, 상기 학습용 지자기 교란 지수 및 정답(Ground-Truth, GT) 지자기 교란 지수를 참조하여 로스를 생성한 후, 상기 로스를 역전파함으로써 상기 영상변환뉴럴넷 및 상기 교란예측뉴럴넷의 파라미터들 중 적어도 일부를 학습하도록 하는 프로세스를 수행하는 것을 특징으로 하는 학습 장치가 개시된다.According to another aspect of the present invention, a learning device for predicting a geomagnetic disturbance index using an extreme ultraviolet solar image, comprising: one or more memories for storing instructions; and one or more processors configured to perform the instructions, wherein the processor causes (I) a prediction model unit to perform an image conversion operation on at least one training extreme ultraviolet sun image using at least one image conversion neural net included in the prediction model unit. a process of generating each learning area vector including information corresponding to each of the extreme ultraviolet sun images for learning by applying ; (II) to cause the prediction model unit to calculate a geomagnetic disturbance index for learning for a preset learning time range by applying at least one recursive prediction operation to the learning area vector using at least one disturbance prediction neural net included therein; process; and (III) causing a model learning unit to generate a loss by referring to the geomagnetic disturbance index for learning and the ground-truth (GT) geomagnetic disturbance index, and then back-propagating the loss, thereby generating the image conversion neural net and the disturbance prediction neural net. A learning device characterized by performing a process for learning at least some of the parameters of is disclosed.

일례로서, 상기 (I) 프로세스 이전에, 상기 프로세서가, (I0) 영상 정렬부로 하여금, (i) 데이터베이스로부터 태양의 극자외선을 상기 학습용 시간 범위 동안 일정 주기로 관측한 로우(Raw) 극자외선 영상 및 이에 대응하는 관측 지자기 교란 지수를 획득한 뒤, (ii-1) 상기 로우 극자외선 영상에 적어도 하나의 전처리연산을 가하여 상기 학습용 극자외선 태양 영상을 획득하고, (ii-2) 각각의 상기 관측 지자기 교란 지수를 각각의 상기 학습용 극자외선 태양 영상과 매칭함으로써 상기 정답 지자기 교란 지수를 획득하는 프로세스를 더 수행하는 것을 특징으로 하는 장치가 개시된다.As an example, before the (I) process, the processor causes the (I0) image aligning unit to (i) a raw extreme ultraviolet image obtained by observing extreme ultraviolet rays of the sun at regular intervals during the learning time range from the database, and After acquiring the corresponding observed geomagnetic disturbance index, (ii-1) obtaining the training extreme ultraviolet solar image by applying at least one preprocessing operation to the low extreme ultraviolet image, (ii-2) each of the observed geomagnetism The apparatus is disclosed which further performs a process of obtaining the correct geomagnetic disturbance index by matching the disturbance index with each of the extreme ultraviolet solar images for learning.

일례로서, 상기 (I0) 프로세스는, 상기 프로세서가, 상기 영상 정렬부로 하여금, 상기 로우 극자외선 영상 상의 태양 원반의 반지름 및 중심 위치를 계산한 후, (i) 상기 계산된 반지름 및 상기 계산된 중심 위치와 (ii) 기지정된 기준 중심 및 기준 반지름을 참조하여 상기 로우 극자외선 영상을 조정함으로써 상기 전처리연산을 가하도록 하는 것을 특징으로 하는 장치가 개시된다.As an example, in the (I0) process, after the processor calculates the radius and the center position of the solar disk on the low extreme ultraviolet image by the image aligning unit, (i) the calculated radius and the calculated center An apparatus characterized in that the preprocessing operation is applied by adjusting the raw EUV image with reference to a location and (ii) a predetermined reference center and reference radius.

일례로서, 상기 (I) 프로세스는, 상기 프로세서가, 상기 예측 모델부로 하여금, 상기 영상변환뉴럴넷을 사용하여 각각의 학습용 극자외선 태양 영상들에 영상변환뉴럴넷연산을 가함으로써 상기 학습용 극자외선 태양 영상들 상의 각각의 특정영역에 대응하는 각각의 패턴벡터를 추출하도록 한 후, 상기 예측 모델부로 하여금 상기 각각의 패턴벡터를 참조로 셀프 어텐션 메커니즘 연산을 수행하여 각각의 상기 학습용 영역벡터를 생성함으로써 상기 영상변환연산을 수행하도록 하는 것을 특징으로 하는 장치가 개시된다. As an example, in the (I) process, the processor causes the prediction model unit to apply an image conversion neural net operation to each of the extreme ultraviolet sun images for learning using the image conversion neural net, so that the training extreme ultraviolet sun images After extracting each pattern vector corresponding to each specific region of the image, the prediction model unit performs a self-attention mechanism operation with reference to each pattern vector to generate each of the learning region vectors, thereby converting the image. An apparatus characterized in that it allows to perform an operation is disclosed.

일례로서, 상기 (II) 프로세스는, 상기 프로세서가, 예측 모델부로 하여금, 상기 학습용 영역벡터들을 키 및 값으로서 입력받고, 기획득된 시간벡터를 쿼리로서 입력받아 어텐션 메커니즘 연산을 수행하여 학습용 제1 예측벡터들을 생성한 후, 상기 교란예측뉴럴넷을 이용하여 교란예측뉴럴넷연산을 가함으로써 학습용 제1 변환예측벡터들을 생성하며, 상기 학습용 영역벡터들을 상기 키 및 상기 값으로서 입력받고, 학습용 제K-1 변환예측벡터들 - K는 2 이상 N 이하의 정수임 - 을 상기 쿼리로서 입력받아 상기 어텐션 메커니즘 연산을 다시 수행하여 학습용 제K 예측벡터들을 생성한 후, 상기 교란예측뉴럴넷을 이용하여 상기 교란예측뉴럴넷연산을 가함으로써 학습용 제K 변환예측벡터들을 생성하며, 상기 연산을 반복하여 학습용 제N 변환예측벡터들이 생성되면, 최종뉴럴넷을 이용하여 상기 학습용 제N 변환예측벡터들에 최종뉴럴넷연산을 가하여 상기 학습용 지자기 교란 지수를 계산함으로써 상기 재귀예측연산을 수행하도록 하는 것을 특징으로 하는 장치가 개시된다.As an example, in the (II) process, the processor causes the prediction model unit to receive the learning area vectors as keys and values, receive a specially obtained time vector as a query, and perform an attention mechanism operation, After generating the prediction vectors, first transform prediction vectors for learning are generated by applying a disturbance prediction neural net operation using the disturbance prediction neural net, receiving the learning area vectors as the key and the value, and learning K-1st Transformation prediction vectors (where K is an integer of 2 or more and less than N) are input as the query, the attention mechanism operation is performed again to generate the Kth prediction vectors for learning, and then the disturbance prediction neural net operation is performed using the disturbance prediction neural net. When the Nth transformation prediction vectors for learning are generated by repeating the above operation, the final neural net operation is applied to the Nth transformation prediction vectors for learning using the final neural net to generate the learning geomagnetism An apparatus characterized in that the recursive prediction operation is performed by calculating a disturbance index.

일례로서, 상기 (II) 프로세스는, 상기 프로세서가, 상기 학습용 시간 범위 및 기설정된 주기함수를 참조하여 상기 시간벡터를 획득하는 것을 특징으로 하는 장치가 개시된다.As an example, in the process (II), the processor obtains the time vector by referring to the learning time range and a predetermined periodic function.

일례로서, 상기 (III) 프로세스는, 상기 프로세서가, 상기 어텐션 메커니즘 연산을 수행하여 상기 학습용 제1 예측벡터들을 생성하면서 계산한 제1어텐션가중치 내지 상기 어텐션 메커니즘 연산을 수행하여 상기 학습용 제N 예측벡터들을 생성하면서 계산한 제N어텐션가중치를 상기 학습용 지자기 교란 지수와 함께 출력하는 것을 특징으로 하는 장치가 개시된다.As an example, in the process (III), the processor performs the attention mechanism operation to generate the first prediction vectors for learning and the first attention weight calculated while performing the attention mechanism operation to the Nth prediction vector for learning. Disclosed is an apparatus characterized in that the Nth attention weight calculated while generating the output is output together with the geomagnetic disturbance index for learning.

일례로서, 상기 (III) 프로세스는, 상기 프로세서가, 상기 제1어텐션가중치 내지 상기 제N어텐션가중치에 대응하는, 상기 학습용 극자외선 태양 영상 상의 제1 내지 제N근거영역을 시각적으로 표시함으로써 상기 제1어텐션가중치 내지 상기 제N어텐션가중치를 출력하는 것을 특징으로 하는 장치가 개시된다.As an example, in the (III) process, the processor visually displays first to Nth ground regions corresponding to the first to Nth attention weights on the extreme ultraviolet solar image for learning, thereby Disclosed is an apparatus characterized in that it outputs 1st attention weight to the Nth attention weight.

본 발명의 또다른 태양에 따르면, 극자외선 태양 영상을 사용하여 지자기 교란 지수를 예측하는 테스트 장치에 있어서, 인스트럭션들을 저장하는 하나 이상의 메모리; 및 상기 인스트럭션들을 수행하도록 설정된 하나 이상의 프로세서를 포함하되, 상기 프로세서는, (I) (1) 예측 모델부로 하여금, 이에 포함된 적어도 하나의 영상변환뉴럴넷을 사용하여 적어도 하나의 학습용 극자외선 태양 영상에 영상변환연산을 가함으로써, 각각의 상기 학습용 극자외선 태양 영상에 대응하는 정보를 포함하는 각각의 학습용 영역벡터를 생성하도록 하는 프로세스; (2) 상기 예측 모델부로 하여금, 이에 포함된 적어도 하나의 교란예측뉴럴넷을 사용하여 상기 학습용 영역벡터에 적어도 하나의 재귀예측연산을 가함으로써, 기설정된 학습용 시간 범위에 대한 학습용 지자기 교란 지수를 계산하도록 하는 프로세스; 및 (3) 모델 학습부로 하여금, 상기 학습용 지자기 교란 지수 및 정답(Ground-Truth, GT) 지자기 교란 지수를 참조하여 로스를 생성한 후, 상기 로스를 역전파함으로써 상기 영상변환뉴럴넷 및 상기 교란예측뉴럴넷의 파라미터들 중 적어도 일부를 학습하도록 하는 프로세스를 수행함으로써 학습이 완료된 상태에서, 상기 예측 모델부로 하여금, 이에 포함된 적어도 하나의 상기 영상변환뉴럴넷을 사용하여 적어도 하나의 테스트용 극자외선 태양 영상에 상기 영상변환연산을 가함으로써, 각각의 상기 테스트용 극자외선 태양 영상에 대응하는 정보를 포함하는 각각의 테스트용 영역벡터를 생성하도록 하는 프로세스; 및 (II) 상기 예측 모델부로 하여금, 이에 포함된 적어도 하나의 상기 교란예측뉴럴넷을 사용하여 상기 테스트용 영역벡터에 적어도 하나의 상기 재귀예측연산을 가함으로써, 기설정된 테스트용 시간 범위에 대한 테스트용 지자기 교란 지수를 계산하도록 하는 프로세스;를 수행하는 것을 특징으로 하는 테스트 장치가 개시된다.According to another aspect of the present invention, a test apparatus for predicting a geomagnetic disturbance index using an extreme ultraviolet solar image, comprising: one or more memories for storing instructions; and one or more processors configured to perform the instructions, wherein the processor (I) (1) causes a prediction model unit to generate at least one extreme ultraviolet solar image for learning using at least one image conversion neural net included in the prediction model unit. a process of generating each learning area vector including information corresponding to each of the extreme ultraviolet solar images for learning by applying an image conversion operation; (2) to cause the prediction model unit to calculate a geomagnetic disturbance index for learning for a preset learning time range by applying at least one recursive prediction operation to the learning area vector using at least one disturbance prediction neural net included therein; process; and (3) causing a model learning unit to generate a loss by referring to the geomagnetic disturbance index for learning and the ground-truth (GT) geomagnetic disturbance index, and then back-propagating the loss, thereby generating the image conversion neural net and the disturbance prediction neural net. In a state in which learning is completed by performing a process of learning at least some of the parameters of , the prediction model unit uses at least one of the image conversion neural nets included in the learning process to at least one EUV solar image for testing. a process of generating each test area vector including information corresponding to each of the extreme ultraviolet solar images for test by applying an image conversion operation; and (II) for testing for a predetermined test time range by causing the prediction model unit to apply at least one recursive prediction operation to the test region vector using at least one disturbance prediction neural net included therein. A test device characterized by performing; a process for calculating a geomagnetic disturbance index is disclosed.

일례로서, 상기 (I) 프로세스 이전에, 상기 프로세서가, (I0) 영상 정렬부로 하여금, 데이터베이스로부터 태양의 극자외선을 상기 테스트용 시간 범위 동안 일정 주기로 관측한 로우(Raw) 극자외선 영상을 획득한 뒤, 상기 로우 극자외선 관측 영상에 적어도 하나의 전처리연산을 가하여 상기 테스트용 극자외선 태양 영상을 획득하는 프로세스를 더 수행하는 것을 특징으로 하는 장치가 개시된다.As an example, before the (I) process, the processor causes the (I0) image aligning unit to obtain a raw extreme ultraviolet image obtained by observing extreme ultraviolet rays of the sun at regular intervals during the test time range from the database. Subsequently, a process of acquiring the extreme ultraviolet solar image for testing by applying at least one preprocessing operation to the raw extreme ultraviolet observation image is disclosed.

일례로서, 상기 (I0) 프로세스는, 상기 프로세서가, 상기 영상 정렬부로 하여금, 상기 태양 극자외선 관측 영상 상의 태양 원반의 반지름 및 중심 위치를 계산한 후, (i) 상기 계산된 반지름 및 상기 계산된 중심 위치와 (ii) 기지정된 기준 중심 및 기준 반지름을 참조하여 상기 태양 극자외선 관측 영상을 조정함으로써 상기 전처리연산을 가하는 것을 특징으로 하는 장치가 개시된다.As an example, in the (I0) process, after the processor calculates the radius and center position of the solar disk on the solar extreme ultraviolet observation image by the image aligning unit, (i) the calculated radius and the calculated An apparatus characterized in that the preprocessing operation is applied by adjusting the solar extreme ultraviolet observation image with reference to a center position and (ii) a predetermined reference center and reference radius.

일례로서, 상기 (I) 프로세스는, 상기 프로세서가, 상기 예측 모델부로 하여금, 상기 영상변환뉴럴넷을 사용하여 각각의 테스트용 극자외선 태양 영상들에 영상변환뉴럴넷연산을 가함으로써 상기 테스트용 극자외선 태양 영상들 상의 각각의 특정영역에 대응하는 각각의 패턴벡터를 추출하도록 한 후, 상기 예측 모델부로 하여금 상기 각각의 패턴벡터를 참조로 셀프 어텐션 메커니즘 연산을 수행하여 각각의 상기 테스트용 영역벡터를 생성함으로써 상기 영상변환연산을 수행하도록 하는 것을 특징으로 하는 장치가 개시된다. As an example, in the process (I), the processor causes the prediction model unit to perform an image conversion neural net operation on each of the extreme ultraviolet sun images for testing using the image conversion neural net, so that the test extreme ultraviolet sun After extracting each pattern vector corresponding to each specific region on the images, the prediction model unit performs a self-attention mechanism operation with reference to each pattern vector to generate each of the test region vectors. An apparatus characterized in that the image conversion operation is performed.

일례로서, 상기 (II) 프로세스는, 상기 프로세서가, 예측 모델부로 하여금, 상기 테스트용 영역벡터들을 키 및 값으로서 입력받고, 기획득된 시간벡터를 쿼리로서 입력받아 어텐션 메커니즘 연산을 수행하여 제1 테스트용 예측벡터들을 생성한 후, 상기 교란예측뉴럴넷을 이용하여 교란예측뉴럴넷연산을 가함으로써 제1 테스트용 변환예측벡터들을 생성하며, 상기 테스트용 영역벡터들을 상기 키 및 상기 값으로서 입력받고, 제N-1 테스트용 변환예측벡터들 - N은 2 이상의 정수임 - 을 상기 쿼리로서 입력받아 상기 어텐션 메커니즘 연산을 다시 수행하여 제N 테스트용 예측벡터들을 생성한 후, 상기 교란예측뉴럴넷을 이용하여 상기 교란예측뉴럴넷연산을 가함으로써 제N 테스트용 변환예측벡터들을 생성하며, 최종뉴럴넷을 이용하여 상기 제N 테스트용 변환예측벡터들에 최종뉴럴넷연산을 가하여 상기 테스트용 지자기 교란 지수를 계산함으로써 상기 재귀예측연산을 수행하도록 하는 것을 특징으로 하는 장치가 개시된다.As an example, in the process (II), the processor causes the prediction model unit to receive the test area vectors as keys and values, receive a specially obtained time vector as a query, and perform an attention mechanism operation to perform a first After generating test predictive vectors, a disturbance prediction neural net operation is applied using the disturbance prediction neural net to generate first transform prediction vectors for test, receiving the test region vectors as the key and the value, and Transformation prediction vectors for the N-1 test, where N is an integer greater than or equal to 2, are received as the query, the attention mechanism operation is performed again to generate the Nth test prediction vectors, and the disturbance prediction neural net is used to generate the disturbance prediction vectors. The recursive prediction operation is performed by generating the Nth transformation prediction vectors for the test by applying the prediction neural net operation, and calculating the geomagnetic disturbance index for the test by applying the final neural net operation to the Nth transformation prediction vectors for the test using the final neural net. An apparatus characterized in that to perform is disclosed.

일례로서, 상기 (II) 프로세스는, 상기 프로세서가, 상기 테스트용 시간 범위 및 기설정된 주기함수를 참조하여 상기 시간벡터를 획득하는 것을 특징으로 하는 장치가 개시된다.As an example, in the process (II), the processor obtains the time vector by referring to the test time range and a predetermined periodic function.

일례로서, 상기 (III) 프로세스는, 상기 프로세서가, 상기 어텐션 메커니즘 연산을 수행하여 상기 제1 테스트용 예측벡터들을 생성하면서 계산한 제1어텐션가중치 내지 상기 어텐션 메커니즘 연산을 수행하여 상기 제N 테스트용 예측벡터들을 생성하면서 계산한 제N어텐션가중치를 상기 테스트용 지자기 교란 지수와 함께 출력하는 것을 특징으로 하는 장치가 개시된다.As an example, in the process (III), the processor performs the first attention weight calculated while generating the prediction vectors for the first test by performing the attention mechanism operation to the Nth test by performing the attention mechanism operation. Disclosed is an apparatus characterized in outputting the Nth attention weight calculated while generating predictive vectors together with the geomagnetic disturbance index for testing.

일례로서, 상기 (III) 프로세스는, 상기 프로세서가, 상기 제1어텐션가중치 내지 상기 제N어텐션가중치에 대응하는, 상기 테스트용 극자외선 태양 영상 상의 제1 내지 제N근거영역을 시각적으로 표시함으로써 상기 제1어텐션가중치 내지 상기 제N어텐션가중치를 출력하는 것을 특징으로 하는 장치가 개시된다.As an example, in the (III) process, the processor visually displays first to Nth ground regions corresponding to the first to Nth attention weights on the extreme ultraviolet sun image for test, thereby Disclosed is an apparatus characterized in outputting first through N-th attention weights.

본 발명은 코로나 홀과 관련된 정보만을 이용하는 종래 기술과 달리 시간에 따라 관측된 여러 장의 극자외선 태양 영상의 모든 영역 간의 시공간적 변화 패턴을 추출하여 태양 자기장의 시공간적 변화로 인해 발생하는 복합적인 지자기 교란을 예측하고 예측된 지자기 교란에 대한 태양 영상 내 영역들의 중요도를 예측의 근거로서 제공할 수 있는 효과가 있다.Unlike the prior art using only information related to the corona hole, the present invention predicts complex geomagnetic disturbances caused by the temporal and spatial changes of the solar magnetic field by extracting spatiotemporal change patterns between all regions of several extreme ultraviolet solar images observed over time. There is an effect of providing the importance of regions in the solar image for the predicted geomagnetic disturbance as a basis for prediction.

또한 본 발명은 극자외선 태양 영상을 사용해 지자기 교란 지수를 예측할 수 있는 인공신경망 및 이를 학습하는 방법을 제공할 수 있는 효과가 있다.In addition, the present invention has an effect of providing an artificial neural network capable of predicting a geomagnetic disturbance index using extreme ultraviolet solar images and a method for learning the same.

또한 본 발명은 지자기 교란을 사전에 예측함으로써 이로 인해 발생할 수 있는 사회경제적 피해를 예방할 수 있는 효과가 있다.In addition, the present invention has an effect of preventing socio-economic damage that may occur due to predicting geomagnetic disturbance in advance.

도 1은 본 발명의 일 실시예에 따른 극자외선 태양 영상을 사용하여 지자기 교란 지수를 예측하는 학습 장치의 구성을 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 극자외선 태양 영상을 사용하여 지자기 교란 지수를 예측하는 학습 방법의 단계를 나타낸 흐름도이다.
도 3a는 본 발명의 일 실시예에 따른 극자외선 태양 영상을 사용하여 지자기 교란 지수를 예측하는 학습 방법을 수행하기 위해 사용되는 재귀예측연산을 나타낸 도면이고, 도 3b는 재귀예측연산의 반복 단위를 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 극자외선 태양 영상을 사용하여 예측된 지자기 교란 지수의 일 예시를 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 극자외선 태양 영상을 사용하여 지자기 교란지수를 예측할 때 근거가 되는 영역들을 어텐션가중치를 사용해 표시한 일 예시를 나타낸 도면이다.1 is a diagram showing the configuration of a learning device for predicting a geomagnetic disturbance index using an extreme ultraviolet solar image according to an embodiment of the present invention.
2 is a flowchart illustrating steps of a learning method for predicting a geomagnetic disturbance index using an extreme ultraviolet solar image according to an embodiment of the present invention.
3A is a diagram showing a recursive prediction operation used to perform a learning method for predicting a geomagnetic disturbance index using an extreme ultraviolet solar image according to an embodiment of the present invention, and FIG. is the drawing shown.
4 is a diagram showing an example of a geomagnetic disturbance index predicted using an extreme ultraviolet solar image according to an embodiment of the present invention.
5 is a diagram showing an example in which regions, which are grounds for predicting a geomagnetic disturbance index using an extreme ultraviolet solar image according to an embodiment of the present invention, are displayed using attention weights.

이하, 본 발명의 일부 실시예들을 예시적인 도면을 토대로 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.Hereinafter, some embodiments of the present invention will be described in detail based on exemplary drawings. In adding reference numerals to components of each drawing, it should be noted that the same components have the same numerals as much as possible even if they are displayed on different drawings. In addition, in describing the present invention, if it is determined that a detailed description of a related known configuration or function may obscure the gist of the present invention, the detailed description will be omitted.

도 1은 본 발명의 일 실시예에 따른 극자외선 태양 영상을 사용하여 지자기 교란 지수를 예측하는 학습 장치의 구성을 나타낸 도면이다.1 is a diagram showing the configuration of a learning device for predicting a geomagnetic disturbance index using an extreme ultraviolet solar image according to an embodiment of the present invention.

도 1을 참조하면, 학습 장치(100)는, 영상 변환부(100), 데이터베이스(200), 예측 모델부(300) 및 모델 학습부(400)를 포함할 수 있다. 이 때, 영상 변환부(100), 데이터베이스(200), 예측 모델부(300) 및 모델 학습부(400)의 입출력 및 연산 과정은 각각 통신부(110) 및 메모리(120)에 의해 이루어질 수 있다. 다만, 도 1에서는 통신부(110) 및 프로세서(120)의 구체적인 연결 관계를 생략하였다. 또한, 메모리(115)는 후술할 여러 가지 인스트럭션들을 저장한 상태일 수 있고, 프로세서(120)는 메모리에 저장된 인스트럭션들을 수행하도록 됨으로써 추후 설명할 프로세스들을 수행하여 본 발명을 수행할 수 있다. 이와 같이 학습 장치(100)가 묘사되었다고 하여, 학습 장치(100)가 본 발명을 실시하기 위한 미디엄, 프로세서 및 메모리가 통합된 형태인 통합 프로세서를 포함하는 경우를 배제하는 것은 아니다.Referring to FIG. 1 , the learning device 100 may include an image conversion unit 100, a database 200, a prediction model unit 300, and a model learning unit 400. At this time, input/output and calculation processes of the image conversion unit 100, the database 200, the prediction model unit 300, and the model learning unit 400 may be performed by the communication unit 110 and the memory 120, respectively. However, in FIG. 1, a specific connection relationship between the communication unit 110 and the processor 120 is omitted. Also, the memory 115 may be in a state of storing various instructions to be described later, and the processor 120 may perform the present invention by performing processes to be described later by executing the instructions stored in the memory. Even though the learning device 100 is described in this way, the case where the learning device 100 includes an integrated processor in which a medium, a processor, and a memory for implementing the present invention are integrated is not excluded.

이상 본 발명의 일 실시예에 따른 학습 장치(1000)의 구성에 대해 설명한 바, 이하 본 발명의 일 실시예에 따른 학습 방법에 대해 도 2를 참조로 설명하도록 한다.Having described the configuration of the learning device 1000 according to an embodiment of the present invention, a learning method according to an embodiment of the present invention will be described with reference to FIG. 2 .

도 2는 본 발명의 일 실시예에 따른 극자외선 태양 영상을 사용하여 지자기 교란 지수를 예측하는 학습 방법의 단계를 나타낸 흐름도이다.2 is a flowchart illustrating steps of a learning method for predicting a geomagnetic disturbance index using an extreme ultraviolet solar image according to an embodiment of the present invention.

도 2를 참조하면, 학습 장치(1000)는, 예측 모델부(300)로 하여금, 이에 포함된 적어도 하나의 영상변환뉴럴넷(310)을 사용하여 적어도 하나의 학습용 극자외선 태양 영상에 영상변환연산을 가함으로써, 각각의 학습용 극자외선 태양 영상에 대응하는 정보를 포함하는 각각의 학습용 영역벡터를 생성하도록 할 수 있다(S01). 그리고, 학습 장치(1000)는, 예측 모델부(300)로 하여금, 이에 포함된 적어도 하나의 교란예측뉴럴넷(320)을 사용하여 학습용 영역벡터에 적어도 하나의 재귀예측연산을 가함으로써, 기설정된 학습용 시간 범위에 대한 학습용 지자기 교란 지수를 계산하도록 할 수 있다(S02). 다음으로, 학습 장치(1000)는, 모델 학습부(400)로 하여금, 학습용 지자기 교란 지수 및 정답(Ground-Truth, GT) 지자기 교란 지수를 참조하여 로스를 생성한 후, 로스를 역전파함으로써 영상변환뉴럴넷(310) 및 교란예측뉴럴넷(320)의 파라미터들 중 적어도 일부를 학습하도록 할 수 있다(S03). 이하 이에 대해 더욱 구체적으로 설명하도록 한다.Referring to FIG. 2 , the learning apparatus 1000 causes the prediction model unit 300 to perform an image conversion operation on at least one extreme ultraviolet sun image for training using at least one image conversion neural net 310 included therein. , it is possible to generate each area vector for learning including information corresponding to each extreme ultraviolet sun image for learning (S01). In addition, the learning device 1000 causes the prediction model unit 300 to apply at least one recursive prediction operation to the learning region vector using at least one disturbance prediction neural net 320 included therein, thereby generating a preset learning vector. It is possible to calculate the geomagnetic disturbance index for learning over the time range (S02). Next, the learning apparatus 1000 causes the model learning unit 400 to generate a loss by referring to the geomagnetic disturbance index for learning and the ground-truth (GT) geomagnetic disturbance index, and then backpropagates the loss to an image image. At least some of the parameters of the transform neural net 310 and the perturbation prediction neural net 320 may be learned (S03). Hereinafter, this will be described in more detail.

먼저, S01 단계 이전에, 더욱 효과적인 연산을 위해 전처리 과정이 수행될 수 있는바, 이에 대해 본다. 즉, 학습 장치(1000)는, 영상 정렬부(100)로 하여금, (i) 데이터베이스(200)로부터 태양의 극자외선을 학습용 시간 범위 동안 일정 주기로 관측한 로우(Raw) 극자외선 영상 및 이에 대응하는 관측 지자기 교란 지수를 획득한 뒤, (ii-1) 로우 극자외선 영상에 적어도 하나의 전처리연산을 가하여 학습용 극자외선 태양 영상을 획득하고, (ii-2) 각각의 관측 지자기 교란 지수를 각각의 상기 학습용 극자외선 태양 영상과 매칭함으로써 정답 지자기 교란 지수를 획득할 수 있다. 여기서, 예를 들어, 학습용 시간 범위가 4월 1일부터 4월 7일까지일 경우, 관측 지자기 교란 지수는 4월 8일부터 4월 14일까지 하루에 한 번씩 측정된 태양의 지자기 교란 지수일 수 있다. First, before the step S01, a preprocessing process may be performed for more effective calculation, so let's look at this. That is, the learning device 1000 causes the image arranging unit 100 to (i) a raw extreme ultraviolet ray image obtained from the database 200 at regular intervals during a learning time range and a corresponding raw extreme ultraviolet ray image After obtaining the observed geomagnetic disturbance index, (ii-1) obtaining an extreme ultraviolet solar image for learning by applying at least one preprocessing operation to the raw extreme ultraviolet image, and (ii-2) each observed geomagnetic disturbance index for each of the above It is possible to obtain the correct geomagnetic disturbance index by matching with the extreme ultraviolet solar image for learning. Here, for example, if the learning time range is from April 1st to April 7th, the observed geomagnetic disturbance index is the solar magnetic disturbance index day measured once a day from April 8th to April 14th. can

또한, 로우 극자외선 영상이란, Solar Dynamic Observatory(SDO) 인공위성에서 촬영된 태양의 극자외선 영역에서의 이미지일 수 있는데, 이에 전처리연산을 가하는 것은, 로우 극자외선 영상은 각각의 영상 상의 태양의 위치가 다른 등 표준화가 되어 있지 않아 연산 효율성이 떨어질 수 있기 때문이다. 이를 방지하기 위해, 학습 장치(1000)가, 영상 정렬부(100)로 하여금 로우 극자외선 영상 상의 태양 원반의 반지름 및 중심 위치를 계산한 후, (i) 계산된 반지름 및 상기 계산된 중심 위치와 (ii) 기지정된 기준 중심 및 기준 반지름을 참조하여 로우 극자외선 영상을 조정함으로써 전처리연산을 가하도록 할 수 있다. 더욱 구체적으로는, 영상 정렬부(100)로 하여금, 로우 극자외선 영상 상에서 밝기가 급격하게 변하는 경계를 추출한 후 이에 원형 허프 변환을 가하여 태양 원반의 반지름과 중심 위치를 계산할 수 있다. 원형 허프 변환은 잘 알려진 종래 기술이므로 더욱 자세한 설명은 생략한다. 이후, 이와 같이 계산된 반지름 및 계산된 중심 위치를 이용해, 영상 상에서 태양의 중심이 기설정된 기준 중심에 위치하고, 그 반지름은 기준 반지름과 동일하도록 로우 극자외선 영상을 조정할 수 있다. 일 예로, 로우 극자외선 영상이 512x512 크기라면, 태양 원반의 중심이 (256, 256)에 위치하고, 반지름이 200픽셀이 되도록 조정할 수 있다.In addition, the low extreme ultraviolet image may be an image in the extreme ultraviolet region of the sun taken from a Solar Dynamic Observatory (SDO) satellite, and the preprocessing operation is applied to the low extreme ultraviolet image, the position of the sun on each image is This is because computational efficiency may decrease because other standards are not standardized. To prevent this, after the learning device 1000 calculates the radius and center position of the solar disk on the low extreme ultraviolet image by the image aligning unit 100, (i) the calculated radius and the calculated center position and (ii) A preprocessing operation may be applied by adjusting the raw EUV image with reference to a predetermined reference center and reference radius. More specifically, the image arranging unit 100 may calculate the radius and center position of the solar disk by extracting a boundary whose brightness rapidly changes on the low extreme ultraviolet image and then applying a circular Hough transform thereto. Since the circular Hough transform is a well-known prior art, a detailed description thereof will be omitted. Thereafter, the low extreme ultraviolet image may be adjusted so that the center of the sun is located at a preset reference center on the image using the calculated radius and the calculated center position, and the radius is the same as the reference radius. For example, if the raw EUV image has a size of 512x512, the center of the solar disk is located at (256, 256) and the radius can be adjusted to be 200 pixels.

이와 같이 전처리가 완료되면, 학습 장치(1000)는, 예측 모델부(300)로 하여금, 이에 포함된 영상변환뉴럴넷을 사용하여 학습용 극자외선 태양 영상에 영상변환연산을 가함으로써, 각각의 학습용 극자외선 태양 영상에 대응하는 정보를 포함하는 각각의 학습용 영역벡터를 생성하도록 할 수 있다. 학습용 영역벡터는 학습용 극자외선 태양 영상에 비해 데이터 크기가 작으면서도, 이의 정보를 충분히 포함하고 있는 벡터일 수 있다. 여기서 영상변환뉴럴넷은, 종래 알려진 어떠한 피드포워드 신경망이라도 사용될 수 있으며, 예를 들어 3차원 컨벌루션 신경망과 같은, 시공간적 패턴을 벡터화할 수 있는 신경망이 사용될 수 있다. 다만, 기본적으로는 이미지를 연산할 수 있는 2차원 커널을 가지는 2차원 컨벌루션 신경망이 사용될 수 있을 것이다.When the preprocessing is completed in this way, the learning device 1000 causes the prediction model unit 300 to apply an image conversion operation to the extreme ultraviolet sun image for learning using the image conversion neural net included therein, thereby performing each extreme ultraviolet ray for learning. Each learning area vector including information corresponding to the sun image may be generated. The area vector for learning may be a vector that has a smaller data size than the extreme ultraviolet sun image for learning, but sufficiently includes this information. Here, any conventionally known feed-forward neural network can be used as the image conversion neural network, and for example, a neural network capable of vectorizing spatio-temporal patterns, such as a 3D convolutional neural network, can be used. However, basically, a 2D convolutional neural network having a 2D kernel capable of calculating images may be used.

학습용 영역벡터의 생성 방식에 대해 더욱 자세히 설명하면, 학습 장치(1000)는, 예측 모델부(300)로 하여금, 영상변환뉴럴넷을 사용하여 각각의 학습용 극자외선 태양 영상들에 영상변환뉴럴넷연산을 가함으로써 상기 학습용 극자외선 태양 영상 상의 각각의 특정영역에 대응하는 각각의 패턴벡터를 추출하도록 한 후, 예측 모델부(300)로 하여금 상기 각각의 패턴벡터를 참조로 셀프 어텐션 메커니즘 연산을 수행하여 각각의 학습용 영역벡터를 생성함으로써 영상변환연산을 수행하도록 할 수 있다. 즉, 패턴벡터는 학습용 극자외선 태양 영상 상의 각각의 특정영역을 대표하는 값들을 포함할 수 있다. 일 예로, 학습용 극자외선 태양 영상이 512x512의 크기라면, 패턴벡터는 7x7 크기에 512차원을 가지는 벡터일 수 있다. 다만, 패턴벡터는 각각의 특정영역에 대한 값들만을 포함하고 있는 상태이므로, 그 주변 또는 다른 영역의 정보를 포함하고 있지 않은 상태이다. 이를 보완하기 위해, 학습 장치(1000)는 셀프 어텐션 메커니즘 연산, 즉 각각의 패턴 벡터들에 다른 패턴 벡터들에 소정 가중치를 곱한 것을 더함으로써 각각의 패턴 벡터들이 다른 패턴 벡터들에 대한 정보도 함께 포함할 수 있도록 하는 연산을 추가로 가해 줄 수 있다.In more detail, the learning device 1000 causes the prediction model unit 300 to perform image conversion neural net operation on each of the extreme ultraviolet sun images for learning using the image conversion neural net. After extracting each pattern vector corresponding to each specific area on the extreme ultraviolet solar image for learning, the prediction model unit 300 performs self-attention mechanism calculation with reference to each pattern vector to obtain each pattern vector. An image conversion operation can be performed by generating a learning area vector. That is, the pattern vector may include values representing each specific region on the extreme ultraviolet solar image for learning. For example, if an extreme ultraviolet sun image for learning has a size of 512x512, the pattern vector may be a vector having a size of 7x7 and 512 dimensions. However, since the pattern vector includes only values for each specific area, it does not include information on its surroundings or other areas. In order to compensate for this, the learning apparatus 1000 includes self-attention mechanism calculation, that is, each pattern vector includes information about other pattern vectors together by adding a product obtained by multiplying other pattern vectors by a predetermined weight to each pattern vector. Additional calculations can be added to make this possible.

이상의 과정을 통해 학습용 영역벡터들이 생성되면, 학습 장치(1000)는, 예측 모델부(300)로 하여금, 교란예측뉴럴넷을 사용한 재귀예측연산을 학습용 영역벡터에 가함으로써 학습용 지자기 교란 지수를 계산하도록 할 수 있다. 이에 대해 설명하기 위해 도 3a 및 3b를 참조하도록 한다.When the learning area vectors are generated through the above process, the learning device 1000 causes the prediction model unit 300 to calculate the geomagnetic disturbance index for learning by applying a recursive prediction operation using the disturbance prediction neural net to the learning area vectors. can To explain this, reference is made to FIGS. 3A and 3B.

도 3a는 본 발명의 일 실시예에 따른 극자외선 태양 영상을 사용하여 지자기 교란 지수를 예측하는 학습 방법을 수행하기 위해 사용되는 재귀예측연산을 나타낸 도면이고, 도 3b는 재귀예측연산의 반복 단위를 나타낸 도면이다.3A is a diagram showing a recursive prediction operation used to perform a learning method for predicting a geomagnetic disturbance index using an extreme ultraviolet solar image according to an embodiment of the present invention, and FIG. is the drawing shown.

도 3a을 참조하면, 재귀예측연산은 기본적으로 어텐션 메커니즘 연산을 먼저 수행한 후 교란예측뉴럴넷연산을 가하는 형태임을 확인할 수 있다. 여기서 어텐션 메커니즘 연산은 하기 수식을 따르는 연산인데,Referring to FIG. 3A, it can be seen that the recursive prediction operation is basically a form of first performing the attention mechanism operation and then applying the disturbance prediction neural net operation. Here, the attention mechanism operation is an operation following the following formula,

Figure 112021052260147-pat00001
Figure 112021052260147-pat00001

상기 어텐션 메커니즘 연산은 종래 널리 알려진 연산이므로 이에 대한 더욱 자세한 설명은 생략하도록 한다.Since the attention mechanism operation is a conventionally well-known operation, a detailed description thereof will be omitted.

여기서, 학습 장치(1000)가, 예측 모델부(300)로 하여금, 학습용 영역벡터들을 키 및 값으로서 입력받고, 기획득된 시간벡터를 쿼리로서 입력받아 어텐션 메커니즘 연산을 수행하여 학습용 제1 예측벡터들을 생성한 후, 교란예측뉴럴넷을 이용하여 교란예측뉴럴넷연산을 가함으로써 학습용 제1 변환예측벡터들을 생성하도록 할 수 있다. 여기서 교란예측뉴럴넷은 예측벡터들을 변환할 수 있도록 설계된 것으로, 어떠한 피드포워드 뉴럴넷이라도 사용될 수 있을 것이다. 또한, 시간벡터는 예측하고자 하는 시간을 벡터의 형태로 변환한 것을 의미한다. 여기서 시간을 벡터의 형태로 변형하기 위해, 벡터의 각 차원별로 고유한 주기를 가지는 주기함수의 시간을 입력으로 받은 함수값을 이용한다. 예를 들어, 24시간 후의 지자기 교란지수를 예측하고 싶은 경우, 해당 시간벡터의 첫 번째 차원의 값은 24시간을 주기로 가지는 sin함수의 24시간에 대한 함수값인 0이 되고, 두 번째 차원의 값은 96시간을 주기로 가지는 sin함수의 24시간에 대한 함수값인 1이 될 수 있다. 도 3a를 다시 참조하면, 시간벡터가 1부터 n까지 소번호로 구분되어 있는데, 이는 각각의 시간별 시간벡터를 의미할 수 있다. 예를 들어, 시간벡터 1은 전술한 24시간 후에 대응하는 벡터일 수 있고, 시간벡터 2는 48시간 후, 시간벡터 3은 72시간 후에 대응할 수 있다. 각 시간벡터를 생성하는 방법은 전술한 24시간 후에 대응하는 시간벡터 1을 생성하는 방법을 참조로 유추될 수 있을 것이다. 또한, 시간벡터 1 내지 n에 대응하도록, 학습용 제1 예측벡터가 1부터 n까지 소번호로 구분된 것을 확인할 수 있는데, 각각의 시간벡터에 대응하는 시간별 지자기 교란지수를 예측하기 위해 생성된 벡터일 수 있다. 그리고, 어텐션 메커니즘을 수행하면서 어텐션가중치들이 생성되는 것도 확인할 수 있는데, 이에 대해서는 추후 설명하도록 한다.Here, the learning apparatus 1000 causes the prediction model unit 300 to receive the learning area vectors as keys and values, receive the specially obtained time vector as a query, and perform an attention mechanism operation to perform the first prediction vector for learning. After generating them, it is possible to generate first transformation prediction vectors for learning by applying a disturbance prediction neural net operation using the disturbance prediction neural net. Here, the perturbation prediction neural net is designed to convert prediction vectors, and any feedforward neural net can be used. Also, a time vector means a time to be predicted converted into a vector form. Here, in order to transform time into a vector form, a function value received as an input of time of a periodic function having a unique period for each dimension of the vector is used. For example, if you want to predict the geomagnetic disturbance index after 24 hours, the value of the first dimension of the time vector becomes 0, which is the function value for 24 hours of the sin function with a period of 24 hours, and the value of the second dimension may be 1, which is a function value for 24 hours of the sin function having a period of 96 hours. Referring again to FIG. 3A , time vectors are divided into small numbers from 1 to n, which may mean time vectors for each time. For example, time vector 1 may correspond to the aforementioned 24 hours later, time vector 2 may correspond to 48 hours later, and time vector 3 may correspond to 72 hours later. A method of generating each time vector can be inferred with reference to the method of generating the corresponding time vector 1 after 24 hours described above. In addition, it can be seen that the first prediction vector for learning is divided into small numbers from 1 to n to correspond to time vectors 1 to n, which are vectors generated to predict the geomagnetic disturbance index for each time corresponding to each time vector. can In addition, it can be confirmed that attention weights are generated while performing the attention mechanism, which will be described later.

도 3a에서 확인할 수 있듯, 어텐션 메커니즘을 통해 학습용 제1 예측벡터들이 생성되면, 이는 교란예측뉴럴넷에 입력되어 학습용 제1 변환예측벡터들로 변환된다. 또한, 이는 반복 단위, 즉 어텐션 메커니즘과 교란예측뉴럴넷에 의한 연산을 반복하는 단위구조에 입력되어 재귀적으로 연산되게 된다. 이에 대해 살피기 위해 도 3b를 본다.As can be seen in FIG. 3A, when the first prediction vectors for learning are generated through the attention mechanism, they are input to the disturbance prediction neural net and converted into first transformation prediction vectors for learning. In addition, this is input to a repetition unit, that is, a unit structure that repeats operations by the attention mechanism and the disturbance prediction neural net, and is recursively calculated. See Figure 3b for a look at this.

즉, 도 3b를 참조하면, 학습 장치(100)가, 예측 모델부(300로 하여금, 학습용 영역벡터들을 상기 키 및 상기 값으로서 입력받고, 학습용 제K 변환예측벡터들 - K는 1 이상 N-1 이하의 정수임 - 을 쿼리로서 입력받아 어텐션 메커니즘 연산을 다시 수행하여 학습용 제K 예측벡터들을 생성한 후, 교란예측뉴럴넷을 이용하여 상기 교란예측뉴럴넷연산을 가함으로써 학습용 제K 변환예측벡터들을 생성하도록 할 수 있다. 이와 같은 연산을 반복하면, 학습용 제N 변환예측벡터들이 생성될 수 있다. That is, referring to FIG. 3B , the learning device 100 causes the prediction model unit 300 to receive the learning area vectors as the key and the value, and the Kth transformation prediction vectors for learning - K is 1 or more N- An integer less than or equal to 1 is input as a query, and the attention mechanism operation is performed again to generate the K-th prediction vectors for learning, and then the disturbance prediction neural net operation is applied using the disturbance prediction neural net to generate the K-th transformation prediction vectors for learning. By repeating such an operation, Nth transformation prediction vectors for learning can be generated.

학습용 제N 변환예측벡터들이 생성되면, 학습 장치(100)는, 예측 모델부(300로 하여금, 최종뉴럴넷을 이용하여 학습용 제N 변환예측벡터들에 최종뉴럴넷연산을 가하여 학습용 지자기 교란 지수를 계산함으로써 재귀예측연산을 수행하도록 할 수 있다. 여기서 최종뉴럴넷은 어떠한 피드포워드 뉴럴넷이라도 사용될 수 있을 것이다.When the Nth transformation prediction vectors for learning are generated, the learning device 100 causes the prediction model unit 300 to calculate the geomagnetic disturbance index for learning by applying a final neural net operation to the Nth transformation prediction vectors for learning using the final neural net. You can have it perform recursive prediction operations, where the final neural net could be any feedforward neural net.

학습용 지자기 교란 지수가 생성되면, 학습 장치(100)가, 모델 학습부(400로 하여금, 학습용 지자기 교란 지수 및 정답 지자기 교란 지수를 참조하여 로스를 생성한 후, 로스를 역전파함으로써 영상변환뉴럴넷 및 교란예측뉴럴넷의 파라미터들 중 적어도 일부를 학습하도록 할 수 있다.When the geomagnetic disturbance index for learning is generated, the learning device 100 causes the model learning unit 400 to generate a loss by referring to the geomagnetic disturbance index for learning and the correct answer geomagnetic disturbance index, and then backpropagates the loss to obtain an image conversion neural network and At least some of the parameters of the perturbation prediction neural network may be learned.

이와 같은 과정을 거쳐 학습이 완료되면, 학습 장치(100)의 각 구성요소들은 실제 사용을 위해 테스트될 수 있다. When learning is completed through such a process, each component of the learning device 100 may be tested for actual use.

즉, 테스트 장치가, (1) 예측 모델부(300로 하여금, 이에 포함된 적어도 하나의 영상변환뉴럴넷을 사용하여 적어도 하나의 학습용 극자외선 태양 영상에 영상변환연산을 가함으로써, 각각의 학습용 극자외선 태양 영상에 대응하는 정보를 포함하는 각각의 학습용 영역벡터를 생성하도록 하는 프로세스; (2) 예측 모델부(300로 하여금, 이에 포함된 적어도 하나의 교란예측뉴럴넷을 사용하여 학습용 영역벡터에 적어도 하나의 재귀예측연산을 가함으로써, 기설정된 학습용 시간 범위에 대한 학습용 지자기 교란 지수를 계산하도록 하는 프로세스; 및 (3) 모델 학습부(400로 하여금, 학습용 지자기 교란 지수 및 정답(Ground-Truth, GT) 지자기 교란 지수를 참조하여 로스를 생성한 후, 로스를 역전파함으로써 영상변환뉴럴넷 및 교란예측뉴럴넷의 파라미터들 중 적어도 일부를 학습하도록 하는 프로세스를 수행함으로써 학습이 완료된 상태에서, 예측 모델부(300로 하여금, 이에 포함된 적어도 하나의 영상변환뉴럴넷을 사용하여 적어도 하나의 테스트용 극자외선 태양 영상에 영상변환연산을 가함으로써, 각각의 테스트용 극자외선 태양 영상에 대응하는 정보를 포함하는 각각의 테스트용 영역벡터를 생성하도록 할 수 있다.That is, the test device (1) causes the prediction model unit 300 to apply an image conversion operation to at least one extreme ultraviolet sun image for learning using at least one image conversion neural net included in the prediction model unit 300, so that each extreme ultraviolet ray for learning A process of generating each learning area vector including information corresponding to a sun image; (2) causing the prediction model unit 300 to generate at least one learning area vector using at least one disturbance prediction neural net included in the prediction model unit 300; A process of calculating a geomagnetic disturbance index for learning for a predetermined learning time range by applying a recursive prediction operation; and (3) allowing the model learning unit 400 to calculate the geomagnetic disturbance index for learning and the correct answer (Ground-Truth, GT) After generating a loss by referring to the disturbance index, and then performing a process of learning at least some of the parameters of the image conversion neural net and the disturbance prediction neural net by back-propagating the loss, in a state in which learning is completed, the prediction model unit 300 causes the , By applying an image conversion operation to at least one extreme ultraviolet sun image for testing using at least one image conversion neural net included therein, each test area including information corresponding to each extreme ultraviolet sun image for test You can create vectors.

이후, 테스트 장치가, 예측 모델부(300)로 하여금, 이에 포함된 적어도 하나의 교란예측뉴럴넷을 사용하여 테스트용 영역벡터에 적어도 하나의 재귀예측연산을 가함으로써, 기설정된 테스트용 시간 범위에 대한 테스트용 지자기 교란 지수를 계산하도록 할 수 있다. 각각의 구성요소가 동작하는 방식은 학습 방법을 설명할 때에 함께 설명하였던 동작 방식과 동일 또는 유사할 것이므로 추가적인 설명은 생략하도록 한다. 이와 같이 생성된 테스트용 지자기 교란 지수에 대해 설명하기 위해 도 4를 참조하도록 한다.Thereafter, the test apparatus causes the prediction model unit 300 to apply at least one recursive prediction operation to the test region vector using at least one disturbance prediction neural net included in the prediction model unit 300, thereby generating a prediction result for a predetermined test time range. It is possible to calculate the geomagnetic disturbance index for testing. Since the operation method of each component will be the same as or similar to the operation method described together when explaining the learning method, additional description will be omitted. Referring to FIG. 4 for a description of the generated geomagnetic disturbance index for testing.

도 4는 본 발명의 일 실시예에 따른 극자외선 태양 영상을 사용하여 예측된 지자기 교란 지수의 일 예시를 나타낸 도면이다. 도 4를 참조하면, 시간 별로 지자기 교란지수가 예측된 예시를 확인할 수 있을 것이다.4 is a diagram showing an example of a geomagnetic disturbance index predicted using an extreme ultraviolet solar image according to an embodiment of the present invention. Referring to FIG. 4 , an example in which the geomagnetic disturbance index is predicted for each time period can be confirmed.

이하 어텐션가중치에 대해 설명하도록 한다. 어텐션가중치는 전술한 어텐션 메커니즘에 대한 수식에서 w로 표시된 값인데, 이는 예측 모델부(300)가 어떠한 근거로 지자기 교란 지수를 생성하였는지를 나타낼 수 있는 값으로, 어텐션 메커니즘 연산을 수행할 때마다 생성될 수 있다. 즉, 학습 과정에서, 학습 장치(100)가, 어텐션 메커니즘 연산을 수행하여 학습용 제1 예측벡터들을 생성하면서 계산한 제1어텐션가중치 내지 어텐션 메커니즘 연산을 수행하여 학습용 제N 예측벡터들을 생성하면서 계산한 제N어텐션가중치를 학습용 지자기 교란 지수와 함께 출력할 수 있다. 이와 같은 어텐션가중치를 더욱 쉽게 확인할 수 있도록, 학습 장치(100)가, 제1어텐션가중치 내지 제N어텐션가중치에 대응하는, 학습용 극자외선 태양 영상 상의 제1 내지 제N근거영역을 시각적으로 표시함으로써 제1어텐션가중치 내지 제N어텐션가중치를 출력할 수 있다. 이와 같은 동작 방식은 테스트 시에도 동일할 것이다. 어텐션가중치들 중 연산 초반에 계산되는 것들은 이미지의 형태와 지자기 교란의 연관성, 즉 다소 단순한 수준의 연관성을 나타내고, 이후의 어텐션가중치들은 밝기의 변화 등 시공간적 정보와 지자기 교란의 연관성 등 보다 복잡한 수준의 연관성을 나타낼 수 있다. 즉, 나중에 생성된 어텐션가중치들일수록 더욱 복잡한 시공간적인 변화와의 연관성을 내포하는 경향이 있다. 이와 같은 어텐션가중치들을 근거영역으로 시각적으로 표시하는 일 예시에 대해 설명하기 위해 도 5를 참조하도록 한다.The attention weight will be explained below. The attention weight is a value indicated by w in the above formula for the attention mechanism. can That is, in the learning process, the learning apparatus 100 calculates the first attention weight calculated while performing the attention mechanism operation to generate the first predictive vectors for learning or the Nth predictive vectors for learning by performing the attention mechanism operation. The Nth attention weight can be output together with the geomagnetic disturbance index for learning. In order to more easily check such an attention weight, the learning device 100 visually displays the first to Nth ground regions on the extreme ultraviolet solar image for learning corresponding to the first to Nth attention weights, thereby It is possible to output 1st attention weight to Nth attention weight. This operating method will be the same during testing. Among the attention weights, those calculated at the beginning of the operation represent the correlation between the shape of the image and geomagnetic disturbance, that is, a rather simple level of correlation, and the later attention weights show a more complex level of correlation, such as the correlation between geomagnetic disturbance and spatiotemporal information such as changes in brightness. can represent In other words, the attention weights generated later tend to contain more complex associations with spatio-temporal changes. Referring to FIG. 5 to describe an example of visually displaying such attention weights as the basis area.

도 5는 본 발명의 일 실시예에 따른 극자외선 태양 영상을 사용하여 지자기 교란지수를 예측할 때 근거가 되는 영역들을 어텐션가중치를 사용해 표시한 일 예시를 나타낸 도면이다. 도 5를 참조하면, 어텐션가중치에 따라 근거 영역이 표시된 예시를 확인할 수 있을 것이다.5 is a diagram showing an example in which regions, which are grounds for predicting a geomagnetic disturbance index using an extreme ultraviolet solar image according to an embodiment of the present invention, are displayed using attention weights. Referring to FIG. 5 , an example in which the basis area is displayed according to the attention weight may be confirmed.

이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.The above description is merely an example of the technical idea of the present embodiment, and various modifications and variations can be made to those skilled in the art without departing from the essential characteristics of the present embodiment. Therefore, the present embodiments are not intended to limit the technical idea of the present embodiment, but to explain, and the scope of the technical idea of the present embodiment is not limited by these embodiments. The scope of protection of this embodiment should be construed according to the claims below, and all technical ideas within the scope equivalent thereto should be construed as being included in the scope of rights of this embodiment.

Claims (32)

극자외선 태양 영상을 사용하여 지자기 교란 지수를 예측하는 학습 방법에 있어서,
(a) 학습 장치가, 예측 모델부로 하여금, 이에 포함된 적어도 하나의 영상변환뉴럴넷을 사용하여 적어도 하나의 학습용 극자외선 태양 영상에 영상변환연산을 가함으로써, 각각의 상기 학습용 극자외선 태양 영상에 대응하는 정보를 포함하는 각각의 학습용 영역벡터를 생성하도록 하는 단계;
(b) 상기 학습 장치가, 상기 예측 모델부로 하여금, 이에 포함된 적어도 하나의 교란예측뉴럴넷을 사용하여 상기 학습용 영역벡터에 적어도 하나의 재귀예측연산을 가함으로써, 기설정된 학습용 시간 범위에 대한 학습용 지자기 교란 지수를 계산하도록 하는 단계; 및
(c) 상기 학습 장치가, 모델 학습부로 하여금, 상기 학습용 지자기 교란 지수 및 정답(Ground-Truth, GT) 지자기 교란 지수를 참조하여 로스를 생성한 후, 상기 로스를 역전파함으로써 상기 영상변환뉴럴넷 및 상기 교란예측뉴럴넷의 파라미터들 중 적어도 일부를 학습하도록 하는 단계
를 포함하는 것을 특징으로 하는 학습 방법.A learning method for predicting a geomagnetic disturbance index using an extreme ultraviolet solar image,
(a) The learning device causes the prediction model unit to apply an image conversion operation to at least one extreme ultraviolet sun image for learning using at least one image conversion neural net included therein, thereby corresponding to each extreme ultraviolet sun image for learning generating each learning area vector including information about
(b) The learning device causes the prediction model unit to apply at least one recursive prediction operation to the learning area vector using at least one disturbance prediction neural net included therein, thereby providing a learning geomagnetism for a preset learning time range. causing a disturbance index to be calculated; and
(c) The learning device causes the model learning unit to generate a loss by referring to the learning geomagnetic disturbance index and the Ground-Truth (GT) geomagnetic disturbance index, and then reverse-propagates the loss to the image conversion neural network and learning at least some of the parameters of the perturbation prediction neural network;
Learning method comprising a. 제1항에 있어서,
상기 (a) 단계 이전에,
(a0) 상기 학습 장치가, 영상 정렬부로 하여금, (i) 데이터베이스로부터 태양의 극자외선을 상기 학습용 시간 범위 동안 일정 주기로 관측한 로우(Raw) 극자외선 영상 및 이에 대응하는 관측 지자기 교란 지수를 획득한 뒤, (ii-1) 상기 로우 극자외선 영상에 적어도 하나의 전처리연산을 가하여 상기 학습용 극자외선 태양 영상을 획득하고, (ii-2) 각각의 상기 관측 지자기 교란 지수를 각각의 상기 학습용 극자외선 태양 영상과 매칭함으로써 상기 정답 지자기 교란 지수를 획득하는 단계
를 더 포함하는 것을 특징으로 하는 방법.According to claim 1,
Before step (a),
(a0) The learning device causes the image arranging unit to (i) obtain a raw extreme ultraviolet image obtained by observing extreme ultraviolet rays of the sun at regular intervals during the learning time range and an observed geomagnetic disturbance index corresponding thereto from the database Then, (ii-1) at least one preprocessing operation is applied to the raw extreme ultraviolet image to obtain the learning extreme ultraviolet sun image, and (ii-2) each of the observed geomagnetic disturbance indices is assigned to each of the learning extreme ultraviolet sun images Acquiring the correct answer geomagnetic disturbance index by matching with an image
A method characterized in that it further comprises. 제2항에 있어서,
상기 (a0) 단계는,
상기 학습 장치가, 상기 영상 정렬부로 하여금, 상기 로우 극자외선 영상 상의 태양 원반의 반지름 및 중심 위치를 계산한 후, (i) 상기 계산된 반지름 및 상기 계산된 중심 위치와 (ii) 기지정된 기준 중심 및 기준 반지름을 참조하여 상기 로우 극자외선 영상을 조정함으로써 상기 전처리연산을 가하도록 하는 것을 특징으로 하는 방법.According to claim 2,
In the step (a0),
After the learning device causes the image alignment unit to calculate the radius and center position of the solar disk on the low extreme ultraviolet image, (i) the calculated radius and the calculated center position and (ii) a predetermined reference center and applying the preprocessing operation by adjusting the raw EUV image with reference to a reference radius. 제1항에 있어서,
상기 (a) 단계는,
상기 학습 장치가, 상기 예측 모델부로 하여금, 상기 영상변환뉴럴넷을 사용하여 각각의 학습용 극자외선 태양 영상들에 영상변환뉴럴넷연산을 가함으로써 상기 학습용 극자외선 태양 영상들 상의 각각의 특정영역에 대응하는 각각의 패턴벡터를 추출하도록 한 후, 상기 예측 모델부로 하여금 상기 각각의 패턴벡터를 참조로 셀프 어텐션 메커니즘 연산을 수행하여 각각의 상기 학습용 영역벡터를 생성함으로써 상기 영상변환연산을 수행하도록 하는 것을 특징으로 하는 방법. According to claim 1,
In step (a),
The learning device causes the prediction model unit to apply an image conversion neural net operation to each of the extreme ultraviolet sun images for learning using the image conversion neural net, so that each corresponding to a specific region on the extreme ultraviolet sun images for learning After extracting the pattern vectors of, the prediction model unit performs a self-attention mechanism operation with reference to each of the pattern vectors to generate each of the learning area vectors, thereby performing the image conversion operation. method. 제1항에 있어서,
상기 (b) 단계는,
상기 학습 장치가, 예측 모델부로 하여금, 상기 학습용 영역벡터들을 키 및 값으로서 입력받고, 기획득된 시간벡터를 쿼리로서 입력받아 어텐션 메커니즘 연산을 수행하여 학습용 제1 예측벡터들을 생성한 후, 상기 교란예측뉴럴넷을 이용하여 교란예측뉴럴넷연산을 가함으로써 학습용 제1 변환예측벡터들을 생성하며,
상기 학습용 영역벡터들을 상기 키 및 상기 값으로서 입력받고, 학습용 제K-1 변환예측벡터들 - K는 2 이상 N 이하의 정수임 - 을 상기 쿼리로서 입력받아 상기 어텐션 메커니즘 연산을 다시 수행하여 학습용 제K 예측벡터들을 생성한 후, 상기 교란예측뉴럴넷을 이용하여 상기 교란예측뉴럴넷연산을 가함으로써 학습용 제K 변환예측벡터들을 생성하며,
상기 연산을 반복하여 학습용 제N 변환예측벡터들이 생성되면, 최종뉴럴넷을 이용하여 상기 학습용 제N 변환예측벡터들에 최종뉴럴넷연산을 가하여 상기 학습용 지자기 교란 지수를 계산함으로써 상기 재귀예측연산을 수행하도록 하는 것을 특징으로 하는 방법.According to claim 1,
In step (b),
The learning device causes the prediction model unit to receive the learning domain vectors as keys and values, receive the specially obtained time vector as a query, perform an attention mechanism operation, and generate first prediction vectors for learning, and then generate the first prediction vectors for learning. Generating first transform prediction vectors for learning by applying a disturbance prediction neural net operation using a predictive neural net;
The learning region vectors are received as the key and the value, and K-1 th transformation prediction vectors for learning (where K is an integer of 2 or more and less than or equal to N) are received as the query, and the attention mechanism operation is performed again to learn K-th transform prediction vectors. After generating the prediction vectors, the K-th transformation prediction vectors for learning are generated by applying the disturbance prediction neural net operation using the disturbance prediction neural net,
When the Nth transformation prediction vectors for learning are generated by repeating the operation, the final neural net operation is applied to the Nth transformation prediction vectors for learning using the final neural net to calculate the geomagnetic disturbance index for learning, thereby performing the recursive prediction operation characterized by a method. 제5항에 있어서,
상기 (b) 단계는,
상기 학습 장치가, 상기 학습용 시간 범위 및 기설정된 주기함수를 참조하여 상기 시간벡터를 획득하는 것을 특징으로 하는 방법.According to claim 5,
In step (b),
The method characterized in that the learning device obtains the time vector by referring to the learning time range and a predetermined periodic function. 제5항에 있어서,
상기 (c) 단계는,
상기 학습 장치가, 상기 어텐션 메커니즘 연산을 수행하여 상기 학습용 제1 예측벡터들을 생성하면서 계산한 제1어텐션가중치 내지 상기 어텐션 메커니즘 연산을 수행하여 상기 학습용 제N 예측벡터들을 생성하면서 계산한 제N어텐션가중치를 상기 학습용 지자기 교란 지수와 함께 출력하는 것을 특징으로 하는 방법.According to claim 5,
In step (c),
The first attention weight calculated while the learning device performs the attention mechanism operation to generate the first predictive vectors for learning to the Nth attention weight calculated while generating the Nth predictive vectors for learning by performing the attention mechanism operation characterized in that for outputting along with the geomagnetic disturbance index for learning. 제7항에 있어서,
상기 (c) 단계는,
상기 학습 장치가, 상기 제1어텐션가중치 내지 상기 제N어텐션가중치에 대응하는, 상기 학습용 극자외선 태양 영상 상의 제1 내지 제N근거영역을 시각적으로 표시함으로써 상기 제1어텐션가중치 내지 상기 제N어텐션가중치를 출력하는 것을 특징으로 하는 방법.According to claim 7,
In step (c),
The first to Nth attention weights are determined by the learning device visually displaying first to Nth ground regions corresponding to the first to Nth attention weights on the extreme ultraviolet solar image for learning. A method characterized in that for outputting. 극자외선 태양 영상을 사용하여 지자기 교란 지수를 예측하는 테스트 방법에 있어서,
(a) 테스트 장치가, (1) 예측 모델부로 하여금, 이에 포함된 적어도 하나의 영상변환뉴럴넷을 사용하여 적어도 하나의 학습용 극자외선 태양 영상에 영상변환연산을 가함으로써, 각각의 상기 학습용 극자외선 태양 영상에 대응하는 정보를 포함하는 각각의 학습용 영역벡터를 생성하도록 하는 프로세스; (2) 상기 예측 모델부로 하여금, 이에 포함된 적어도 하나의 교란예측뉴럴넷을 사용하여 상기 학습용 영역벡터에 적어도 하나의 재귀예측연산을 가함으로써, 기설정된 학습용 시간 범위에 대한 학습용 지자기 교란 지수를 계산하도록 하는 프로세스; 및 (3) 모델 학습부로 하여금, 상기 학습용 지자기 교란 지수 및 정답(Ground-Truth, GT) 지자기 교란 지수를 참조하여 로스를 생성한 후, 상기 로스를 역전파함으로써 상기 영상변환뉴럴넷 및 상기 교란예측뉴럴넷의 파라미터들 중 적어도 일부를 학습하도록 하는 프로세스를 수행함으로써 학습이 완료된 상태에서, 상기 예측 모델부로 하여금, 이에 포함된 적어도 하나의 상기 영상변환뉴럴넷을 사용하여 적어도 하나의 테스트용 극자외선 태양 영상에 상기 영상변환연산을 가함으로써, 각각의 상기 테스트용 극자외선 태양 영상에 대응하는 정보를 포함하는 각각의 테스트용 영역벡터를 생성하도록 하는 단계;
(b) 상기 테스트 장치가, 상기 예측 모델부로 하여금, 이에 포함된 적어도 하나의 상기 교란예측뉴럴넷을 사용하여 상기 테스트용 영역벡터에 적어도 하나의 상기 재귀예측연산을 가함으로써, 기설정된 테스트용 시간 범위에 대한 테스트용 지자기 교란 지수를 계산하도록 하는 단계;
를 포함하는 것을 특징으로 하는 테스트 방법.A test method for predicting a geomagnetic disturbance index using an extreme ultraviolet solar image,
(a) The test device, (1) causes the prediction model unit to apply an image conversion operation to at least one extreme ultraviolet sun image for learning using at least one image conversion neural net included therein, so that each extreme ultraviolet sun for learning a process of generating each learning area vector including information corresponding to an image; (2) to cause the prediction model unit to calculate a geomagnetic disturbance index for learning for a preset learning time range by applying at least one recursive prediction operation to the learning area vector using at least one disturbance prediction neural net included therein; process; and (3) causing a model learning unit to generate a loss by referring to the geomagnetic disturbance index for learning and the ground-truth (GT) geomagnetic disturbance index, and then back-propagating the loss, thereby generating the image conversion neural net and the disturbance prediction neural net. In a state in which learning is completed by performing a process of learning at least some of the parameters of , the prediction model unit uses at least one of the image conversion neural nets included in the learning process to at least one EUV solar image for testing. generating each test area vector including information corresponding to each of the extreme ultraviolet solar images for test by applying an image conversion operation;
(b) The test device causes the prediction model unit to apply at least one recursive prediction operation to the test region vector using at least one disturbance prediction neural net included therein, thereby setting a predetermined test time range. Calculating a geomagnetic disturbance index for a test for ;
A test method comprising a. 제9항에 있어서,
상기 (a) 단계 이전에,
(a0) 상기 테스트 장치가, 영상 정렬부로 하여금, 데이터베이스로부터 태양의 극자외선을 상기 테스트용 시간 범위 동안 일정 주기로 관측한 로우(Raw) 극자외선 영상을 획득한 뒤, 상기 로우 극자외선 관측 영상에 적어도 하나의 전처리연산을 가하여 상기 테스트용 극자외선 태양 영상을 획득하는 단계
를 더 포함하는 것을 특징으로 하는 방법.According to claim 9,
Before step (a),
(a0) After the test device causes the image arranging unit to obtain a raw extreme ultraviolet image obtained by observing extreme ultraviolet rays of the sun at regular intervals during the test time range from the database, at least in the raw extreme ultraviolet observation image Acquiring the extreme ultraviolet solar image for the test by applying one preprocessing operation
A method characterized in that it further comprises. 제10항에 있어서,
상기 (a0) 단계는,
상기 테스트 장치가, 상기 영상 정렬부로 하여금, 상기 태양 극자외선 관측 영상 상의 태양 원반의 반지름 및 중심 위치를 계산한 후, (i) 상기 계산된 반지름 및 상기 계산된 중심 위치와 (ii) 기지정된 기준 중심 및 기준 반지름을 참조하여 상기 태양 극자외선 관측 영상을 조정함으로써 상기 전처리연산을 가하는 것을 특징으로 하는 방법.According to claim 10,
In the step (a0),
After the test device causes the image alignment unit to calculate the radius and center position of the solar disk on the solar extreme ultraviolet observation image, (i) the calculated radius and the calculated center position and (ii) a predetermined reference The method characterized in that the preprocessing operation is applied by adjusting the solar extreme ultraviolet observation image with reference to a center and a reference radius. 제9항에 있어서,
상기 (a) 단계는,
상기 테스트 장치가, 상기 예측 모델부로 하여금, 상기 영상변환뉴럴넷을 사용하여 각각의 테스트용 극자외선 태양 영상들에 영상변환뉴럴넷연산을 가함으로써 상기 테스트용 극자외선 태양 영상들 상의 각각의 특정영역에 대응하는 각각의 패턴벡터를 추출하도록 한 후, 상기 예측 모델부로 하여금 상기 각각의 패턴벡터를 참조로 셀프 어텐션 메커니즘 연산을 수행하여 각각의 상기 테스트용 영역벡터를 생성함으로써 상기 영상변환연산을 수행하도록 하는 것을 특징으로 하는 방법. According to claim 9,
In step (a),
The test device causes the prediction model unit to apply an image conversion neural net operation to each test extreme ultraviolet sun image using the image conversion neural net, thereby corresponding to each specific region on the test extreme ultraviolet sun images. After extracting each pattern vector, the prediction model unit performs a self-attention mechanism operation with reference to each pattern vector to generate each of the test area vectors, thereby performing the image conversion operation. How to characterize. 제9항에 있어서,
상기 (b) 단계는,
상기 테스트 장치가, 예측 모델부로 하여금, 상기 테스트용 영역벡터들을 키 및 값으로서 입력받고, 기획득된 시간벡터를 쿼리로서 입력받아 어텐션 메커니즘 연산을 수행하여 제1 테스트용 예측벡터들을 생성한 후, 상기 교란예측뉴럴넷을 이용하여 교란예측뉴럴넷연산을 가함으로써 제1 테스트용 변환예측벡터들을 생성하며,
상기 테스트용 영역벡터들을 상기 키 및 상기 값으로서 입력받고, 제N-1 테스트용 변환예측벡터들 - N은 2 이상의 정수임 - 을 상기 쿼리로서 입력받아 상기 어텐션 메커니즘 연산을 다시 수행하여 제N 테스트용 예측벡터들을 생성한 후, 상기 교란예측뉴럴넷을 이용하여 상기 교란예측뉴럴넷연산을 가함으로써 제N 테스트용 변환예측벡터들을 생성하며,
최종뉴럴넷을 이용하여 상기 제N 테스트용 변환예측벡터들에 최종뉴럴넷연산을 가하여 상기 테스트용 지자기 교란 지수를 계산함으로써 상기 재귀예측연산을 수행하도록 하는 것을 특징으로 하는 방법.According to claim 9,
In step (b),
The test device causes the prediction model unit to receive the test domain vectors as keys and values, receive the specially obtained time vector as a query, perform an attention mechanism operation, and generate first predictive vectors for the test; Transformation prediction vectors for a first test are generated by applying a disturbance prediction neural net operation using the disturbance prediction neural net;
The region vectors for test are received as the key and the value, and conversion prediction vectors for the N-1th test, where N is an integer greater than or equal to 2, are received as the query, and the attention mechanism operation is performed again to be used for the Nth test. After generating the prediction vectors, the N-th test conversion prediction vectors are generated by applying the disturbance prediction neural net operation using the disturbance prediction neural net,
characterized in that the recursive prediction operation is performed by calculating the geomagnetic disturbance index for the test by applying a final neural net operation to the Nth transformation prediction vectors for the test using the final neural net. 제13항에 있어서,
상기 (b) 단계는,
상기 테스트 장치가, 상기 테스트용 시간 범위 및 기설정된 주기함수를 참조하여 상기 시간벡터를 획득하는 것을 특징으로 하는 방법.According to claim 13,
In step (b),
Wherein the test apparatus acquires the time vector by referring to the test time range and a preset periodic function. 제13항에 있어서,
상기 (c) 단계는,
상기 테스트 장치가, 상기 어텐션 메커니즘 연산을 수행하여 상기 제1 테스트용 예측벡터들을 생성하면서 계산한 제1어텐션가중치 내지 상기 어텐션 메커니즘 연산을 수행하여 상기 제N 테스트용 예측벡터들을 생성하면서 계산한 제N어텐션가중치를 상기 테스트용 지자기 교란 지수와 함께 출력하는 것을 특징으로 하는 방법.According to claim 13,
In step (c),
The first attention weight calculated by the test device while generating the first test predictive vectors by performing the attention mechanism operation to the Nth test predictive vector calculated while generating the Nth test predictive vectors by performing the attention mechanism operation A method characterized in that for outputting the attention weight together with the geomagnetic disturbance index for the test. 제15항에 있어서,
상기 (c) 단계는,
상기 테스트 장치가, 상기 제1어텐션가중치 내지 상기 제N어텐션가중치에 대응하는, 상기 테스트용 극자외선 태양 영상 상의 제1 내지 제N근거영역을 시각적으로 표시함으로써 상기 제1어텐션가중치 내지 상기 제N어텐션가중치를 출력하는 것을 특징으로 하는 방법.According to claim 15,
In step (c),
The test device visually displays first to Nth ground regions on the extreme ultraviolet solar image for testing, corresponding to the first to Nth attention weights, thereby measuring the first to Nth attention weights from the first to Nth attention weights. A method characterized by outputting weights. 극자외선 태양 영상을 사용하여 지자기 교란 지수를 예측하는 학습 장치에 있어서,
인스트럭션들을 저장하는 하나 이상의 메모리; 및
상기 인스트럭션들을 수행하도록 설정된 하나 이상의 프로세서를 포함하되, 상기 프로세서는, (I) 예측 모델부로 하여금, 이에 포함된 적어도 하나의 영상변환뉴럴넷을 사용하여 적어도 하나의 학습용 극자외선 태양 영상에 영상변환연산을 가함으로써, 각각의 상기 학습용 극자외선 태양 영상에 대응하는 정보를 포함하는 각각의 학습용 영역벡터를 생성하도록 하는 프로세스; (II) 상기 예측 모델부로 하여금, 이에 포함된 적어도 하나의 교란예측뉴럴넷을 사용하여 상기 학습용 영역벡터에 적어도 하나의 재귀예측연산을 가함으로써, 기설정된 학습용 시간 범위에 대한 학습용 지자기 교란 지수를 계산하도록 하는 프로세스; 및 (III) 모델 학습부로 하여금, 상기 학습용 지자기 교란 지수 및 정답(Ground-Truth, GT) 지자기 교란 지수를 참조하여 로스를 생성한 후, 상기 로스를 역전파함으로써 상기 영상변환뉴럴넷 및 상기 교란예측뉴럴넷의 파라미터들 중 적어도 일부를 학습하도록 하는 프로세스
를 수행하는 것을 특징으로 하는 학습 장치.A learning device for predicting a geomagnetic disturbance index using an extreme ultraviolet solar image,
one or more memories to store instructions; and
One or more processors configured to perform the instructions, wherein the processor (I) causes a prediction model unit to perform an image conversion operation on at least one training extreme ultraviolet sun image using at least one image conversion neural net included in the prediction model unit. a process of generating each learning area vector including information corresponding to each of the extreme ultraviolet sun images for learning; (II) to cause the prediction model unit to calculate a geomagnetic disturbance index for learning for a preset learning time range by applying at least one recursive prediction operation to the learning area vector using at least one disturbance prediction neural net included therein; process; and (III) causing a model learning unit to generate a loss by referring to the geomagnetic disturbance index for learning and the ground-truth (GT) geomagnetic disturbance index, and then back-propagating the loss, thereby generating the image conversion neural net and the disturbance prediction neural net. The process of learning at least some of the parameters of
A learning device characterized in that for performing. 제17항에 있어서,
상기 (I) 프로세스 이전에,
상기 프로세서가, (I0) 영상 정렬부로 하여금, (i) 데이터베이스로부터 태양의 극자외선을 상기 학습용 시간 범위 동안 일정 주기로 관측한 로우(Raw) 극자외선 영상 및 이에 대응하는 관측 지자기 교란 지수를 획득한 뒤, (ii-1) 상기 로우 극자외선 영상에 적어도 하나의 전처리연산을 가하여 상기 학습용 극자외선 태양 영상을 획득하고, (ii-2) 각각의 상기 관측 지자기 교란 지수를 각각의 상기 학습용 극자외선 태양 영상과 매칭함으로써 상기 정답 지자기 교란 지수를 획득하는 프로세스
를 더 수행하는 것을 특징으로 하는 장치.According to claim 17,
Prior to the (I) process,
The processor causes the (I0) image alignment unit to (i) obtain a raw extreme ultraviolet image obtained by observing extreme ultraviolet rays of the sun at regular intervals during the learning time range and an observed geomagnetic disturbance index corresponding thereto from the database, , (ii-1) obtaining the training extreme ultraviolet solar image by applying at least one preprocessing operation to the raw extreme ultraviolet image; A process of obtaining the correct answer geomagnetic disturbance index by matching with
Device characterized in that further performing. 제18항에 있어서,
상기 (I0) 프로세스는,
상기 프로세서가, 상기 영상 정렬부로 하여금, 상기 로우 극자외선 영상 상의 태양 원반의 반지름 및 중심 위치를 계산한 후, (i) 상기 계산된 반지름 및 상기 계산된 중심 위치와 (ii) 기지정된 기준 중심 및 기준 반지름을 참조하여 상기 로우 극자외선 영상을 조정함으로써 상기 전처리연산을 가하도록 하는 것을 특징으로 하는 장치.According to claim 18,
The (I0) process,
After the processor calculates the radius and center position of the solar disk on the low extreme ultraviolet image by the image alignment unit, (i) the calculated radius and the calculated center position and (ii) a predetermined reference center and Apparatus characterized in that the preprocessing operation is applied by adjusting the raw EUV image with reference to a reference radius. 제17항에 있어서,
상기 (I) 프로세스는,
상기 프로세서가, 상기 예측 모델부로 하여금, 상기 영상변환뉴럴넷을 사용하여 각각의 학습용 극자외선 태양 영상들에 영상변환뉴럴넷연산을 가함으로써 상기 학습용 극자외선 태양 영상들 상의 각각의 특정영역에 대응하는 각각의 패턴벡터를 추출하도록 한 후, 상기 예측 모델부로 하여금 상기 각각의 패턴벡터를 참조로 셀프 어텐션 메커니즘 연산을 수행하여 각각의 상기 학습용 영역벡터를 생성함으로써 상기 영상변환연산을 수행하도록 하는 것을 특징으로 하는 장치. According to claim 17,
The (I) process,
The processor causes the prediction model unit to apply an image conversion neural net operation to each of the extreme ultraviolet sun images for learning using the image conversion neural net, thereby generating respective values corresponding to respective specific regions on the extreme ultraviolet sun images for learning. After the pattern vector is extracted, the prediction model unit performs a self-attention mechanism operation with reference to each of the pattern vectors to generate each of the learning area vectors, thereby performing the image conversion operation. . 제17항에 있어서,
상기 (II) 프로세스는,
상기 프로세서가, 예측 모델부로 하여금, 상기 학습용 영역벡터들을 키 및 값으로서 입력받고, 기획득된 시간벡터를 쿼리로서 입력받아 어텐션 메커니즘 연산을 수행하여 학습용 제1 예측벡터들을 생성한 후, 상기 교란예측뉴럴넷을 이용하여 교란예측뉴럴넷연산을 가함으로써 학습용 제1 변환예측벡터들을 생성하며,
상기 학습용 영역벡터들을 상기 키 및 상기 값으로서 입력받고, 학습용 제K-1 변환예측벡터들 - K는 2 이상 N 이하의 정수임 - 을 상기 쿼리로서 입력받아 상기 어텐션 메커니즘 연산을 다시 수행하여 학습용 제K 예측벡터들을 생성한 후, 상기 교란예측뉴럴넷을 이용하여 상기 교란예측뉴럴넷연산을 가함으로써 학습용 제K 변환예측벡터들을 생성하며,
상기 연산을 반복하여 학습용 제N 변환예측벡터들이 생성되면, 최종뉴럴넷을 이용하여 상기 학습용 제N 변환예측벡터들에 최종뉴럴넷연산을 가하여 상기 학습용 지자기 교란 지수를 계산함으로써 상기 재귀예측연산을 수행하도록 하는 것을 특징으로 하는 장치.According to claim 17,
The (II) process,
The processor causes the prediction model unit to receive the learning domain vectors as keys and values, receive the specially obtained time vector as a query, perform an attention mechanism operation, generate first prediction vectors for learning, and then predict the disturbance Creating first transformation prediction vectors for learning by applying a disturbance prediction neural net operation using a neural net;
The learning region vectors are received as the key and the value, and K-1 th transformation prediction vectors for learning (where K is an integer of 2 or more and less than or equal to N) are received as the query, and the attention mechanism operation is performed again to learn K-th transform prediction vectors. After generating the prediction vectors, the K-th transformation prediction vectors for learning are generated by applying the disturbance prediction neural net operation using the disturbance prediction neural net,
When the Nth transformation prediction vectors for learning are generated by repeating the operation, the final neural net operation is applied to the Nth transformation prediction vectors for learning using the final neural net to calculate the geomagnetic disturbance index for learning, thereby performing the recursive prediction operation device characterized in that 제21항에 있어서,
상기 (II) 프로세스는,
상기 프로세서가, 상기 학습용 시간 범위 및 기설정된 주기함수를 참조하여 상기 시간벡터를 획득하는 것을 특징으로 하는 장치.According to claim 21,
The (II) process,
The apparatus, characterized in that the processor obtains the time vector by referring to the learning time range and a predetermined periodic function. 제21항에 있어서,
상기 (III) 프로세스는,
상기 프로세서가, 상기 어텐션 메커니즘 연산을 수행하여 상기 학습용 제1 예측벡터들을 생성하면서 계산한 제1어텐션가중치 내지 상기 어텐션 메커니즘 연산을 수행하여 상기 학습용 제N 예측벡터들을 생성하면서 계산한 제N어텐션가중치를 상기 학습용 지자기 교란 지수와 함께 출력하는 것을 특징으로 하는 장치.According to claim 21,
The (III) process,
The first attention weight calculated while the processor performs the attention mechanism operation to generate the first predictive vectors for learning to the Nth attention weight calculated while generating the Nth predictive vectors for learning by performing the attention mechanism operation Device characterized in that for outputting together with the geomagnetic disturbance index for learning. 제23항에 있어서,
상기 (III) 프로세스는,
상기 프로세서가, 상기 제1어텐션가중치 내지 상기 제N어텐션가중치에 대응하는, 상기 학습용 극자외선 태양 영상 상의 제1 내지 제N근거영역을 시각적으로 표시함으로써 상기 제1어텐션가중치 내지 상기 제N어텐션가중치를 출력하는 것을 특징으로 하는 장치.According to claim 23,
The (III) process,
The processor determines the first to Nth attention weights by visually displaying first to Nth ground regions corresponding to the first to Nth attention weights on the extreme ultraviolet sun image for learning. Device characterized in that the output. 극자외선 태양 영상을 사용하여 지자기 교란 지수를 예측하는 테스트 장치에 있어서,
인스트럭션들을 저장하는 하나 이상의 메모리; 및
상기 인스트럭션들을 수행하도록 설정된 하나 이상의 프로세서를 포함하되, 상기 프로세서는, (I) (1) 예측 모델부로 하여금, 이에 포함된 적어도 하나의 영상변환뉴럴넷을 사용하여 적어도 하나의 학습용 극자외선 태양 영상에 영상변환연산을 가함으로써, 각각의 상기 학습용 극자외선 태양 영상에 대응하는 정보를 포함하는 각각의 학습용 영역벡터를 생성하도록 하는 프로세스; (2) 상기 예측 모델부로 하여금, 이에 포함된 적어도 하나의 교란예측뉴럴넷을 사용하여 상기 학습용 영역벡터에 적어도 하나의 재귀예측연산을 가함으로써, 기설정된 학습용 시간 범위에 대한 학습용 지자기 교란 지수를 계산하도록 하는 프로세스; 및 (3) 모델 학습부로 하여금, 상기 학습용 지자기 교란 지수 및 정답(Ground-Truth, GT) 지자기 교란 지수를 참조하여 로스를 생성한 후, 상기 로스를 역전파함으로써 상기 영상변환뉴럴넷 및 상기 교란예측뉴럴넷의 파라미터들 중 적어도 일부를 학습하도록 하는 프로세스를 수행함으로써 학습이 완료된 상태에서, 상기 예측 모델부로 하여금, 이에 포함된 적어도 하나의 상기 영상변환뉴럴넷을 사용하여 적어도 하나의 테스트용 극자외선 태양 영상에 상기 영상변환연산을 가함으로써, 각각의 상기 테스트용 극자외선 태양 영상에 대응하는 정보를 포함하는 각각의 테스트용 영역벡터를 생성하도록 하는 프로세스; 및 (II) 상기 예측 모델부로 하여금, 이에 포함된 적어도 하나의 상기 교란예측뉴럴넷을 사용하여 상기 테스트용 영역벡터에 적어도 하나의 상기 재귀예측연산을 가함으로써, 기설정된 테스트용 시간 범위에 대한 테스트용 지자기 교란 지수를 계산하도록 하는 프로세스;
를 수행하는 것을 특징으로 하는 테스트 장치.A test device for predicting a geomagnetic disturbance index using an extreme ultraviolet solar image,
one or more memories to store instructions; and
One or more processors configured to perform the instructions, wherein the processor (I) (1) causes a prediction model unit to use at least one image conversion neural net included in the prediction model to generate an image of at least one extreme ultraviolet sun image for learning. a process of generating each learning area vector including information corresponding to each of the extreme ultraviolet solar images for learning by applying a conversion operation; (2) to cause the prediction model unit to calculate a geomagnetic disturbance index for learning for a preset learning time range by applying at least one recursive prediction operation to the learning area vector using at least one disturbance prediction neural net included therein; process; and (3) causing a model learning unit to generate a loss by referring to the geomagnetic disturbance index for learning and the ground-truth (GT) geomagnetic disturbance index, and then back-propagating the loss, thereby generating the image conversion neural net and the disturbance prediction neural net. In a state in which learning is completed by performing a process of learning at least some of the parameters of , the prediction model unit uses at least one of the image conversion neural nets included in the learning process to at least one EUV solar image for testing. a process of generating each test area vector including information corresponding to each of the extreme ultraviolet solar images for test by applying an image conversion operation; and (II) for testing for a predetermined test time range by causing the prediction model unit to apply at least one recursive prediction operation to the test region vector using at least one disturbance prediction neural net included therein. a process for calculating a geomagnetic disturbance index;
A test device characterized in that for performing. 제25항에 있어서,
상기 (I) 프로세스 이전에,
상기 프로세서가, (I0) 영상 정렬부로 하여금, 데이터베이스로부터 태양의 극자외선을 상기 테스트용 시간 범위 동안 일정 주기로 관측한 로우(Raw) 극자외선 영상을 획득한 뒤, 상기 로우 극자외선 관측 영상에 적어도 하나의 전처리연산을 가하여 상기 테스트용 극자외선 태양 영상을 획득하는 프로세스
를 더 수행하는 것을 특징으로 하는 장치.According to claim 25,
Prior to the (I) process,
The processor, (I0) causes the image arranging unit to acquire raw extreme ultraviolet images obtained by observing the extreme ultraviolet rays of the sun at regular intervals during the test time range from the database, and then at least one of the raw extreme ultraviolet observation images A process of acquiring the extreme ultraviolet solar image for the test by applying a preprocessing operation of
Device characterized in that further performing. 제26항에 있어서,
상기 (I0) 프로세스는,
상기 프로세서가, 상기 영상 정렬부로 하여금, 상기 태양 극자외선 관측 영상 상의 태양 원반의 반지름 및 중심 위치를 계산한 후, (i) 상기 계산된 반지름 및 상기 계산된 중심 위치와 (ii) 기지정된 기준 중심 및 기준 반지름을 참조하여 상기 태양 극자외선 관측 영상을 조정함으로써 상기 전처리연산을 가하는 것을 특징으로 하는 장치.The method of claim 26,
The (I0) process,
After the processor calculates the radius and center position of the solar disk on the solar extreme ultraviolet observation image by the image alignment unit, (i) the calculated radius and the calculated center position and (ii) a predetermined reference center and applying the preprocessing operation by adjusting the solar extreme ultraviolet observation image with reference to a reference radius. 제25항에 있어서,
상기 (I) 프로세스는,
상기 프로세서가, 상기 예측 모델부로 하여금, 상기 영상변환뉴럴넷을 사용하여 각각의 테스트용 극자외선 태양 영상들에 영상변환뉴럴넷연산을 가함으로써 상기 테스트용 극자외선 태양 영상들 상의 각각의 특정영역에 대응하는 각각의 패턴벡터를 추출하도록 한 후, 상기 예측 모델부로 하여금 상기 각각의 패턴벡터를 참조로 셀프 어텐션 메커니즘 연산을 수행하여 각각의 상기 테스트용 영역벡터를 생성함으로써 상기 영상변환연산을 수행하도록 하는 것을 특징으로 하는 장치. According to claim 25,
The (I) process,
The processor causes the prediction model unit to apply an image conversion neural net operation to each of the extreme ultraviolet sun images for test using the image conversion neural net, thereby corresponding to each specific region on the extreme ultraviolet sun images for test. After each pattern vector is extracted, the prediction model unit performs a self-attention mechanism operation with reference to each pattern vector to generate each of the test area vectors, thereby performing the image conversion operation. device to. 제25항에 있어서,
상기 (II) 프로세스는,
상기 프로세서가, 예측 모델부로 하여금, 상기 테스트용 영역벡터들을 키 및 값으로서 입력받고, 기획득된 시간벡터를 쿼리로서 입력받아 어텐션 메커니즘 연산을 수행하여 제1 테스트용 예측벡터들을 생성한 후, 상기 교란예측뉴럴넷을 이용하여 교란예측뉴럴넷연산을 가함으로써 제1 테스트용 변환예측벡터들을 생성하며,
상기 테스트용 영역벡터들을 상기 키 및 상기 값으로서 입력받고, 제N-1 테스트용 변환예측벡터들 - N은 2 이상의 정수임 - 을 상기 쿼리로서 입력받아 상기 어텐션 메커니즘 연산을 다시 수행하여 제N 테스트용 예측벡터들을 생성한 후, 상기 교란예측뉴럴넷을 이용하여 상기 교란예측뉴럴넷연산을 가함으로써 제N 테스트용 변환예측벡터들을 생성하며,
최종뉴럴넷을 이용하여 상기 제N 테스트용 변환예측벡터들에 최종뉴럴넷연산을 가하여 상기 테스트용 지자기 교란 지수를 계산함으로써 상기 재귀예측연산을 수행하도록 하는 것을 특징으로 하는 장치.According to claim 25,
The (II) process,
The processor causes the prediction model unit to receive the test region vectors as keys and values, receive the specially obtained time vector as a query, perform an attention mechanism operation, and generate first predictive vectors for the test. Transformation prediction vectors for the first test are generated by applying a disturbance prediction neural net operation using the disturbance prediction neural net,
The region vectors for test are received as the key and the value, and conversion prediction vectors for the N-1th test, where N is an integer greater than or equal to 2, are received as the query, and the attention mechanism operation is performed again to be used for the Nth test. After generating the prediction vectors, the N-th test conversion prediction vectors are generated by applying the disturbance prediction neural net operation using the disturbance prediction neural net,
The apparatus characterized in that the recursive prediction operation is performed by calculating the geomagnetic disturbance index for the test by applying a final neural net operation to the Nth transform prediction vectors for the test using the final neural net. 제29항에 있어서,
상기 (II) 프로세스는,
상기 프로세서가, 상기 테스트용 시간 범위 및 기설정된 주기함수를 참조하여 상기 시간벡터를 획득하는 것을 특징으로 하는 장치.According to claim 29,
The (II) process,
The apparatus, characterized in that the processor obtains the time vector by referring to the test time range and a preset periodic function. 제29항에 있어서,
상기 (III) 프로세스는,
상기 프로세서가, 상기 어텐션 메커니즘 연산을 수행하여 상기 제1 테스트용 예측벡터들을 생성하면서 계산한 제1어텐션가중치 내지 상기 어텐션 메커니즘 연산을 수행하여 상기 제N 테스트용 예측벡터들을 생성하면서 계산한 제N어텐션가중치를 상기 테스트용 지자기 교란 지수와 함께 출력하는 것을 특징으로 하는 장치.According to claim 29,
The (III) process,
The first attention weight calculated by the processor while generating the first test predictive vectors by performing the attention mechanism operation to the Nth attention calculated while generating the Nth test predictive vectors by performing the attention mechanism operation Device characterized in that for outputting the weight together with the geomagnetic disturbance index for the test. 제31항에 있어서,
상기 (III) 프로세스는,
상기 프로세서가, 상기 제1어텐션가중치 내지 상기 제N어텐션가중치에 대응하는, 상기 테스트용 극자외선 태양 영상 상의 제1 내지 제N근거영역을 시각적으로 표시함으로써 상기 제1어텐션가중치 내지 상기 제N어텐션가중치를 출력하는 것을 특징으로 하는 장치.According to claim 31,
The (III) process,
The processor measures the first to Nth attention weights by visually displaying first to Nth ground regions corresponding to the first to Nth attention weights on the extreme ultraviolet sun image for testing. Device characterized in that for outputting.
KR1020210058246A 2021-05-06 2021-05-06 Learning method and learning device for predicting geomagnetic disturbance index by using extreme ultraviolet radiation video of sun, and testing method and testing device using the same KR102531838B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210058246A KR102531838B1 (en) 2021-05-06 2021-05-06 Learning method and learning device for predicting geomagnetic disturbance index by using extreme ultraviolet radiation video of sun, and testing method and testing device using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210058246A KR102531838B1 (en) 2021-05-06 2021-05-06 Learning method and learning device for predicting geomagnetic disturbance index by using extreme ultraviolet radiation video of sun, and testing method and testing device using the same

Publications (2)

Publication Number Publication Date
KR20220151246A KR20220151246A (en) 2022-11-15
KR102531838B1 true KR102531838B1 (en) 2023-05-12

Family

ID=84041573

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210058246A KR102531838B1 (en) 2021-05-06 2021-05-06 Learning method and learning device for predicting geomagnetic disturbance index by using extreme ultraviolet radiation video of sun, and testing method and testing device using the same

Country Status (1)

Country Link
KR (1) KR102531838B1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116882594B (en) * 2023-09-06 2023-12-01 数字太空(北京)智能技术研究院有限公司 Geomagnetic ap index medium-term forecasting method based on limited recursion and deep learning

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060229813A1 (en) 2005-03-30 2006-10-12 Tobiska William K Ionospheric forecast system (IFS)
KR101845762B1 (en) 2017-01-25 2018-05-18 한국 천문 연구원 Automation method and system for forecasting magnetic field disturbance using observation data of coronal hole and cme
JP6391002B2 (en) 2014-07-29 2018-09-19 国立大学法人京都大学 Machine learning method for constructing space weather forecasting system and space weather forecasting method constructed by the method
KR102059472B1 (en) 2018-11-29 2019-12-30 대한민국 A System and Method for Prediction of Geomagnetic Disturbance Strength based on Solar Coronal Hole Information

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101021530B1 (en) * 2008-11-28 2011-03-16 한국 천문 연구원 System for forecasting geomagnetic storm using coronal mass ejection phenomenon and method thereof
US10262214B1 (en) * 2018-09-05 2019-04-16 StradVision, Inc. Learning method, learning device for detecting lane by using CNN and testing method, testing device using the same
US11087175B2 (en) * 2019-01-30 2021-08-10 StradVision, Inc. Learning method and learning device of recurrent neural network for autonomous driving safety check for changing driving mode between autonomous driving mode and manual driving mode, and testing method and testing device using them

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060229813A1 (en) 2005-03-30 2006-10-12 Tobiska William K Ionospheric forecast system (IFS)
JP6391002B2 (en) 2014-07-29 2018-09-19 国立大学法人京都大学 Machine learning method for constructing space weather forecasting system and space weather forecasting method constructed by the method
KR101845762B1 (en) 2017-01-25 2018-05-18 한국 천문 연구원 Automation method and system for forecasting magnetic field disturbance using observation data of coronal hole and cme
KR102059472B1 (en) 2018-11-29 2019-12-30 대한민국 A System and Method for Prediction of Geomagnetic Disturbance Strength based on Solar Coronal Hole Information

Also Published As

Publication number Publication date
KR20220151246A (en) 2022-11-15

Similar Documents

Publication Publication Date Title
CN112308019B (en) SAR ship target detection method based on network pruning and knowledge distillation
CN112070729B (en) Anchor-free remote sensing image target detection method and system based on scene enhancement
CN114547017B (en) Meteorological big data fusion method based on deep learning
CN112308322B (en) Multi-wind-field space-time wind speed prediction method and device and electronic equipment
CN112771578B (en) Image generation using subdivision scaling and depth scaling
CN115909093A (en) Power equipment fault detection method based on unmanned aerial vehicle inspection and infrared image semantic segmentation
CN110263644B (en) Remote sensing image classification method, system, equipment and medium based on triplet network
KR102531838B1 (en) Learning method and learning device for predicting geomagnetic disturbance index by using extreme ultraviolet radiation video of sun, and testing method and testing device using the same
Akperov et al. Development of instruments of fuzzy identification of extended objects based on the results of satellite monitoring
Andrianakos et al. Sky Image forecasting with Generative Adversarial Networks for cloud coverage prediction
Campeti et al. Principal component analysis of the primordial tensor power spectrum
CN113253336B (en) Earthquake prediction method and system based on deep learning
CN117789037A (en) Crop growth period prediction method and device
Chawla Possibilistic c-means-spatial contextual information based sub-pixel classification approach for multi-spectral data
Yusuke et al. Sparse-coded dynamic mode decomposition on graph for prediction of river water level distribution
CN110263808B (en) Image emotion classification method based on LSTM network and attention mechanism
US20230186594A1 (en) Information processing apparatus, information processing method, and non-transitory computer readable medium
CN116665068A (en) Mixed knowledge decoupling knowledge distillation algorithm for remote sensing target detection
Huang et al. Do deep learning models generalize to overhead imagery from novel geographic domains? the xgd benchmark problem
CN109784376A (en) A kind of Classifying Method in Remote Sensing Image and categorizing system
Delvit et al. Modulation transfer function estimation from nonspecific images
Adriano et al. Cross-domain-classification of tsunami damage via data simulation and residual-network-derived features from multi-source images
Grishin et al. Composite data preparation algorithm for SAR imagery object recognition
Meyer et al. Estimating the area of applicability of remote sensing-based machine learning models with limited training data
Valsesia et al. Detection of solar coronal mass ejections from raw images with deep convolutional neural networks

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant