利用 AI 技术对 Rubin 观测站主动光学系统进行波前估计
天体物理仪器与方法
2024-02-14 v1
摘要
Vera C. Rubin 观测站将在 10 年内反复勘测南天空区。为确保 Rubin 生成的图像在精密科学应用中满足质量要求，观测站将使用主动光学系统（AOS）来纠正由引力和温度梯度引入的光学系统对齐和镜面表面扰动。为此，Rubin 将使用位于焦平面边缘的传感器获取的非焦距图像，以学习和纠正波前扰动。我们设计并集成了用于波前估计的深度学习模型至 AOS 流程。本文中，我们将这种深度学习方法与 Rubin 基线算法在两个不同仿真的 Rubin 光学系统图像上进行比较。我们表明，深度学习方法更快且更准确，无论是在高质量图像还是低质量图像（含大量混合和边缘遮挡）时，都可实现大气误差底部。相较于基线算法，深度学习模型在理想条件下速度提升 40 倍，中位数误差缩小 2 倍；在 Rubin 相机边缘遮挡情况下缩小 5 倍；在拥挤场中混合现象下缩小 14 倍。此外，深度学习模型在 AOS 闭环仿真中超越了所需的光学质量。该系统有望将用于精密科学的勘测区域提高至 8%。我们讨论了该系统在 Rubin commissioning 和运行时的部署方式。
引用
@article{arxiv.2402.08094,
title = {Using AI for Wavefront Estimation with the Rubin Observatory Active Optics System},
author = {John Franklin Crenshaw and Andrew J. Connolly and Joshua E. Meyers and J. Bryce Kalmbach and Guillem Megias Homar and Tiago Ribeiro and Krzysztof Suberlak and Sandrine Thomas and Te-wei Tsai},
journal= {arXiv preprint arXiv:2402.08094},
year = {2024}
}
备注
24 pages, 21 figures