自动驾驶望远镜：基于离线强化学习的天文观测活动自主调度
天体物理仪器与方法
2023-12-01 v1 宇宙学与河外天体物理
人工智能
机器学习
摘要
现代天文实验旨在实现多重科学目标，从星系演化到宇宙加速的研究。这些目标需要许多不同类别的夜空天体数据，每类都有其特定的观测需求。这些观测需求通常彼此强烈竞争，这构成了一个尚未解决的多目标优化难题。强化学习（RL）作为一种训练自主系统的有价值范式其有效性已得到充分证明，它可能为实现能够优化天文活动调度的自动驾驶望远镜奠定基础。包含望远镜与天球上离散天区位置之间交互示例的模拟数据集可用于训练RL模型，以顺序地从这些位置收集数据，最大化累积奖励作为所收集数据质量的度量。我们使用模拟数据测试并比较了多种深度Q网络（DQN）实现，用于优化Stone Edge Observatory（SEO）的观测调度任务。我们结合了对DQN的多项改进及数据集调整，表明DQN在测试集上每个状态可达到最大可达奖励的87%±6%的平均奖励。这是针对特定天文挑战的离线RL算法首次比较，也是用于执行此类比较与评估任务的首个开源框架。
引用
@article{arxiv.2311.18094,
title = {Self-Driving Telescopes: Autonomous Scheduling of Astronomical Observation Campaigns with Offline Reinforcement Learning},
author = {Franco Terranova and M. Voetberg and Brian Nord and Amanda Pagul},
journal= {arXiv preprint arXiv:2311.18094},
year = {2023}
}
备注
Accepted in Machine Learning and the Physical Sciences Workshop at NeurIPS 2023; 6 pages, 5 figures