数据过多而需少，数据不足而需多：MagAO-X星光减除的机器学习方法
天体物理仪器与方法
2024-07-19 v1
摘要
高对比度成像数据分析依赖于从主机星光中去除残余星光，以显露行星和盘的结构。大多数观察者使用来自自身科学图像计算的主成分分析(即KLIP)，但这些模态可能不正交于行星和盘信号，导致过度减除。观测期间记录的波前传感器数据提供了独立信号，可用于预测仪器点扩散函数(PSF)。MagAO-X是6.5米Magellan Clay望远镜的极端自适应光学(ExAO)系统，是Giant Magellan Telescope上即将到期ExAO技术的前哨。MagAO-X设计为保存所有传感器信息，包括kHz速度的波前测量。我们的软件和压缩数据格式旨在以高吞吐量记录机器学习所需的数百万训练样本。大量的图像和传感器数据使我们能够学习一个融合所有可用信息的PSF模型。这最终将允许我们在更大的灵敏度下探测更小的星-行星分离，这将是实现岩石行星成像所必需的。
引用
@article{arxiv.2407.13008,
title = {More data than you want, less data than you need: machine learning approaches to starlight subtraction with MagAO-X},
author = {Joseph D. Long and Jared R. Males and Laird M. Close and Olivier Guyon and Sebastiaan Y. Haffert and Alycia J. Weinberger and Jay Kueny and Kyle Van Gorkom and Eden McEwen and Logan Pearce and Maggie Kautz and Jialin Li and Jennifer Lumbres and Alexander Hedglen and Lauren Schatz and Avalon McLeod and Isabella Doty and Warren B. Foster and Roswell Roberts and Katie Twitchell},
journal= {arXiv preprint arXiv:2407.13008},
year = {2024}
}
备注
9 pages, 5 figures, proceedings of Adaptive Optics Systems IX at SPIE Astronomical Telescopes + Instrumentation 2024