Verbesserung astronomischer Beobachtungen mit KI und Wellenfrontsensoren

Hochkontrastbilder sind wichtig, um schwache Objekte im Weltraum zu beobachten, wie Exoplaneten und Scheiben um Sterne. Um diese Beobachtungen klarer zu machen, brauchen wir ausgeklügelte Werkzeuge, um visuelle Verzerrungen durch die Erdatmosphäre zu beheben. Ein solches Werkzeug ist der Pyramid Wavefront Sensor (PWFS), der hilft, diese Verzerrungen zu messen und zu korrigieren.

#Die Herausforderung des Pyramid Wavefront Sensors

Die Hauptschwierigkeit mit dem PWFS ist, dass er nicht gut auf grosse Verzerrungen reagiert, besonders wenn die Atmosphäre turbulent ist. Um das zu beheben, nutzen viele Systeme eine Technik namens Modulation, bei der geändert wird, wie der Sensor arbeitet. Allerdings kann das die Empfindlichkeit des Sensors verringern, besonders bei kleinen Störungen, was ihn weniger effektiv macht, um schwache Sterne zu beobachten.

Einige Forscher schauen sich an, ob man den PWFS ohne Modulation verwenden kann, um zu sehen, ob er unter bestimmten Bedingungen besser funktioniert. Dieser Ansatz ist interessant, weil er vielleicht sogar die Detektion noch schwächerer Sterne ermöglichen könnte.

#Unser Ansatz

In dieser Studie haben wir eine Art Künstliche Intelligenz verwendet, die als Convolutional Neural Network (CNN) bezeichnet wird, um die Leistung des unmodulierten PWFS zu verbessern. Wir haben das in einem Labor getestet, um zu sehen, wie gut es die Verzerrungen des Wellenfronts rekonstruieren konnte und wie effektiv es in Echtzeit arbeitet.

Wir haben ein System eingerichtet, das eine Vielzahl von Verzerrungen erzeugt, die typischerweise in der Atmosphäre vorkommen, um verschiedene Bedingungen zu simulieren. Das CNN wurde mit Daten trainiert, die während dieser Tests gesammelt wurden, um genaue Korrekturen am Wellenfront vorzunehmen.

#Training des neuronalen Netzwerks

Um ein nützliches Trainingsdatenset für das CNN zu erstellen, haben wir viele synthetische Wellenfrontverzerrungen produziert. Dieses Datenset umfasste eine breite Palette von Verzerrungen, von stark bis schwach, die nachahmten, was bei tatsächlichen Beobachtungen auftreten könnte.

Der Sensor erfasste Daten, die das CNN verwendete, um zu lernen, wie man die eingehenden Wellenfrontmessungen mit den Verzerrungen verbindet, die korrigiert werden mussten. Dadurch konnte das CNN lernen, die erforderlichen Änderungen vorherzusagen, um die Verzerrungen zu beheben.

#Testen des Modells

Wir haben Tests durchgeführt, um die Leistung des CNN mit traditionellen linearen Rekonstruktionsmethoden zu vergleichen. Wir fanden heraus, dass das CNN eine verbesserte Genauigkeit zeigte, besonders unter schwierigen Bedingungen. Der unmodulierte PWFS mit dem CNN übertraf die lineare Methode, besonders wenn die Verzerrungen gross waren.

Die Tests beinhalteten die Bewertung, wie gut das System die Wellenfront in offenen Schleifen (wenn das System nicht aktiv korrigiert) und in geschlossenen Schleifen (wo Echtzeitkorrekturen angewendet werden) rekonstruieren konnte. In geschlossenen Schleifen sahen wir, dass das CNN konsequent bessere Ergebnisse lieferte als der lineare Ansatz.

#Leistung unter verschiedenen Bedingungen

Wir evaluierten die Leistung des CNN unter verschiedenen atmosphärischen Bedingungen. Das umfasste unterschiedliche Turbulenzgrade und Windgeschwindigkeiten, um realistische Szenarien zu simulieren. Die Ergebnisse zeigten, dass der nichtlineare Ansatz ein höheres Strehl-Verhältnis ergab, was ein Mass für die Bildqualität ist, selbst unter weniger idealen Bedingungen.

Diese Ergebnisse bestätigen, dass das CNN effektive Korrekturen vornehmen kann, trotz der Herausforderungen durch die Atmosphäre. Die Fähigkeit, unter verschiedenen Bedingungen eine hohe Leistung aufrechtzuerhalten, ist entscheidend für zukünftige Beobachtungen.

#Langfristige Stabilität

Ein wichtiger Aspekt, den wir getestet haben, war die Stabilität des Systems über Zeit. Wir fanden heraus, dass das CNN auch nach einigen Tagen seit der letzten Kalibrierung eine stabile Leistung aufrechterhalten konnte. Das ist signifikant, da reale Beobachtungen oft lange Betriebszeiten umfassen.

Während unserer Tests führten wir ein langdauerndes Experiment in geschlossener Schleife durch, das die Fähigkeit des Systems demonstrierte, die Leistung ohne häufige Neukalibrierungen aufrechtzuerhalten. Diese Stabilität deutet darauf hin, dass das CNN ein zuverlässiger Bestandteil zukünftiger astronomischer Instrumente sein könnte.

#Leistung bei schwächeren Sternen

Ein weiterer Bereich, den wir untersucht haben, war, wie gut das CNN bei niedrigeren Lichtpegeln funktionieren konnte, indem wir Bedingungen simulierten, unter denen sehr schwache Sterne beobachtet werden. Während das System aufgrund von erhöhtem Rauschen in den Messungen zwar eine gewisse Leistungsminderung zeigte, übertraf es dennoch den linearen Ansatz.

Diese Fähigkeit, unter Lichtmangelbedingungen zu arbeiten, ist entscheidend für die Untersuchung weit entfernter und schwacher Himmelsobjekte. Die Verbesserungen, die mit dem CNN erzielt wurden, haben starke Auswirkungen auf das Gebiet der Hochkontrastbilder.

#Rechnerische Überlegungen

Ein bemerkenswerter Aspekt der Verwendung eines CNNs sind seine rechnerischen Anforderungen. Wir haben gemessen, wie schnell das CNN Daten verarbeiten und Korrekturen vornehmen konnte. Zunächst war es für die gewünschte Betriebsfrequenz von etwa 2 kHz zu langsam. Mit einigen Optimierungen und weiterer Arbeit fanden wir jedoch heraus, dass Geschwindigkeiten von über 1 kHz erreichbar waren.

Dieses Leistungsniveau ist vielversprechend für zukünftige Implementierungen, bei denen die Echtzeitverarbeitung entscheidend für die Erfassung hochqualitativer Bilder astronomischer Objekte ist.

#Fazit

Die Ergebnisse unserer Studie zeigen, dass die Verwendung eines CNN mit einem unmodulierten PWFS die Leistung von Hochkontrastbildgebungssystemen erheblich verbessern kann. Die Fähigkeit, die Herausforderungen zu überwinden, die durch atmosphärische Turbulenzen entstehen, und hohe Empfindlichkeit für schwache Sterne aufrechtzuerhalten, ist entscheidend für die Weiterentwicklung unserer Fähigkeiten in der Astronomie.

Zusammenfassend zeigt die auf dem CNN basierende Rekonstruktionsmethode grosses Potenzial für zukünftige Anwendungen in bodengestützten Teleskopen. Wir freuen uns darauf, dieses System unter realen Himmelbedingungen zu testen, um seine Effektivität weiter zu validieren. Die nächsten Schritte werden darin bestehen, das System zu verfeinern, um optimale Geschwindigkeiten für Echtbetriebsoperationen zu erreichen, und neue Möglichkeiten für wissenschaftliche Entdeckungen im Bereich der Astrophysik zu eröffnen.