Static and predictive tomographic reconstruction for wide-field multi-object adaptive optics systems
Notice bibliographique
Résumé
Multi-object adaptive optics (MOAO) systems are still in their infancy: their complex optical designs for tomographic, wide-field wavefront sensing, coupled with open-loop (OL) correction, make their calibration a challenge. The correction of a discrete number of specific directions in the field allows for streamlined application of a general class of spatio-angular algorithms, initially proposed in Whiteley et al. [J. Opt. Soc. Am. A15, 2097 (1998)], which is compatible with partial on-line calibration. The recent Learn & Apply algorithm from Vidal et al. [J. Opt. Soc. Am. A27, A253 (2010)] can then be reinterpreted in a broader framework of tomographic algorithms and is shown to be a special case that exploits the particulars of OL and aperture-plane phase conjugation. An extension to embed a temporal prediction step to tackle sky-coverage limitations is discussed. The trade-off between lengthening the camera integration period, therefore increasing system lag error, and the resulting improvement in SNR can be shifted to higher guide-star magnitudes by introducing temporal prediction. The derivation of the optimal predictor and a comparison to suboptimal autoregressive models is provided using temporal structure functions. It is shown using end-to-end simulations of Raven, the MOAO science, and technology demonstrator for the 8 m Subaru telescope that prediction allows by itself the use of 1-magnitude-fainter guide stars.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».