Mejorando las observaciones astronómicas con IA y sensores de frente de onda

La imagen de alto contraste es importante para observar objetos tenues en el espacio, como exoplanetas y discos alrededor de estrellas. Para hacer estas observaciones más claras, necesitamos herramientas avanzadas para corregir las distorsiones visuales causadas por la atmósfera de la Tierra. Una de estas herramientas es el sensor de frente de onda en pirámide (PWFS), que ayuda a medir y corregir estas distorsiones.

#El reto del sensor de frente de onda en pirámide

El principal reto con el PWFS es que no responde bien a distorsiones grandes, especialmente cuando la atmósfera está turbulenta. Para intentar solucionar esto, muchos sistemas usan una técnica llamada modulación, que consiste en cambiar cómo opera el sensor. Sin embargo, esto puede reducir la sensibilidad del sensor, especialmente para perturbaciones pequeñas, haciéndolo menos efectivo para observar estrellas tenues.

Algunos investigadores están explorando el uso del PWFS sin modulación para ver si puede funcionar mejor en ciertas condiciones. Este enfoque es atractivo ya que podría permitir la detección de estrellas aún más tenues.

#Nuestro enfoque

En este estudio, usamos un tipo de inteligencia artificial llamada red neuronal convolucional (CNN) para ayudar a mejorar el rendimiento del PWFS sin modulación. Probamos esto en un laboratorio para ver qué tan bien podía reconstruir las distorsiones del frente de onda y qué tan efectivamente podía operar En tiempo real.

Configuramos un sistema que genera una variedad de distorsiones comúnmente encontradas en la atmósfera, lo que nos permite simular diferentes condiciones. La CNN fue entrenada usando datos recopilados durante estas pruebas para hacer correcciones precisas al frente de onda.

#Entrenando la red neuronal

Para crear un conjunto de datos útil para entrenar la CNN, produjimos muchas distorsiones de frente de onda sintéticas. Este conjunto de datos incluyó una amplia gama de distorsiones, desde fuertes hasta débiles, imitando lo que se podría encontrar durante observaciones reales.

El sensor capturó datos que la CNN usó para aprender cómo conectar las mediciones del frente de onda entrante con las distorsiones que necesitaban corrección. Al hacer esto, la CNN pudo aprender a predecir los cambios necesarios para corregir las distorsiones.

#Probando el modelo

Realizamos pruebas para comparar el rendimiento de la CNN contra métodos de reconstrucción lineales tradicionales. Descubrimos que la CNN mostró una precisión mejorada, especialmente en condiciones desafiantes. El PWFS sin modulación con la CNN superó al método lineal, especialmente cuando las distorsiones eran grandes.

Las pruebas implicaron evaluar qué tan bien el sistema podía reconstruir el frente de onda en condiciones de bucle abierto (cuando el sistema no está corrigiendo activamente) y bucle cerrado (donde se aplican correcciones en tiempo real). En las pruebas de bucle cerrado, vimos que la CNN consistentemente proporcionaba mejores resultados que el enfoque lineal.

#Rendimiento en diferentes condiciones

Evaluamos el rendimiento de la CNN bajo varias Condiciones Atmosféricas. Esto incluyó diferentes niveles de turbulencia y velocidad del viento, simulando escenarios realistas. Los resultados mostraron que el enfoque no lineal dio un mayor índice de Strehl, que es una medida de la calidad de la imagen, incluso en condiciones menos que ideales.

Estos hallazgos confirman que la CNN puede hacer correcciones efectivas a pesar de los desafíos presentados por la atmósfera. La capacidad de mantener un alto rendimiento bajo varias condiciones es crucial para futuras observaciones.

#Estabilidad a largo plazo

Un aspecto importante que probamos fue la estabilidad del sistema a lo largo del tiempo. Encontramos que la CNN podía mantener un rendimiento estable incluso después de que pasaran algunos días desde la última calibración. Esto es significativo, ya que las observaciones en la vida real a menudo implican largos períodos de operación.

Durante nuestras pruebas, realizamos un experimento de bucle cerrado de larga duración que demostró la capacidad del sistema para sostener el rendimiento sin necesitar recalibraciones frecuentes. Esta estabilidad sugiere que la CNN podría ser un componente confiable en futuros instrumentos astronómicos.

#Rendimiento en estrellas más tenues

Otra área que examinamos fue qué tan bien podía funcionar la CNN con niveles de luz más bajos, simulando condiciones al observar estrellas muy tenues. Si bien el sistema mostró alguna disminución en el rendimiento debido al aumento del ruido en las mediciones, aún superó al enfoque lineal.

Esta capacidad de trabajar en condiciones de poca luz es vital para el estudio de objetos celestes distantes y tenues. Las mejoras observadas con la CNN tienen fuertes implicaciones para el campo de la imagen de alto contraste.

#Consideraciones computacionales

Un aspecto notable de usar una CNN son sus requisitos computacionales. Medimos qué tan rápido podía procesar datos y hacer correcciones. Inicialmente, era demasiado lenta para la velocidad de operación deseada de alrededor de 2 kHz. Sin embargo, con algunas optimizaciones y trabajo adicional, encontramos que se podían lograr velocidades superiores a 1 kHz.

Este nivel de rendimiento es prometedor para futuras implementaciones, donde el procesamiento en tiempo real es crítico para capturar imágenes de alta calidad de objetos astronómicos.

#Conclusión

Los resultados de nuestro estudio indican que usar una CNN con un PWFS sin modulación puede mejorar significativamente el rendimiento de los sistemas de imagen de alto contraste. La capacidad de superar los desafíos que presenta la turbulencia atmosférica y mantener alta sensibilidad a estrellas tenues es crucial para avanzar nuestras capacidades en astronomía.

En resumen, el método de reconstrucción basado en CNN muestra un fuerte potencial para futuras aplicaciones en telescopios terrestres. Esperamos probar este sistema en condiciones de cielo real para validar aún más su efectividad. Los próximos pasos implicarán refinar el sistema para alcanzar velocidades óptimas para operaciones en tiempo real, abriendo nuevas posibilidades para el descubrimiento científico en el campo de la astrofísica.