基于神经网络的金字塔波前传感器非线性波前重建
天体物理仪器与方法
2023-11-07 v1
摘要
金字塔波前传感器（PyWFS）因其高灵敏度在自适应光学（AO）系统中日益普及。PyWFS 的主要缺陷在于其固有的非线性，这意味着经典线性波前重建技术在高波前误差下性能显著下降，尤其当金字塔未调制时。本文考虑使用神经网络（NNs）替代广泛采用的矩阵向量乘法（MVM）控制。我们旨在验证如下假设：神经网络建模非线性的能力将使其相对 MVM 控制具有明显优势。我们利用在 Subaru 日冕极端自适应光学系统（SCExAO）仪器上获取的白天数据，将 MVM 线性重建器与稠密 NN 的性能进行比较。在第一组实验中，我们生成由 14 个 Zernike 模式产生的波前以及不同调制半径（25、50、75 和 100 mas）下的 PyWFS 响应。我们发现，NN 在所有调制下均实现更精确的波前重建，且当 PyWFS 非线性变得显著时性能差异增大。在第二组实验中，我们生成类大气波前数据集，并确认 NN 优于线性重建器。后者以 SCExAO 实时计算机软件为基线。这些结果表明，NNs 有望改进线性重建器，并在不久的将来带来 AO 性能的飞跃。
引用
@article{arxiv.2311.02595,
title = {Nonlinear wavefront reconstruction from a pyramid sensor using neural networks},
author = {Alison P. Wong and Barnaby R. M. Norris and Vincent Deo and Peter G. Tuthill and Richard Scalzo and David Sweeney and Kyohoon Ahn and Julien Lozi and Sebastien Vievard and Olivier Guyon},
journal= {arXiv preprint arXiv:2311.02595},
year = {2023}
}
备注
Accepted in Publications of the Astronomical Society of the Pacific, September 2023