A Fresnel propagation analysis of NFIRAOS/IRIS high-contrast exoplanet imaging capabilities
Notice bibliographique
Résumé
The thirty meter telescope (TMT) has the potential to find new planetary systems and to study them in greater details. It could also possibly image super-Earth planets around the closest stars or still accreting distant protoplanets around stars in very young star forming regions. Since no first generation dedicated exoplanet finding instrument has been selected for the TMT, initial direct exoplanet imaging will have to rely on the NFIRAOS facility adaptive optics (AO) system and IRIS spectro-imaging near-infrared (NIR) camera. End-to-end Fresnel NFIRAOS simulations are presented using their current optical designs to evaluate the system multi-wavelength high-contrast imaging capabilities. Long exposures have been simulated using the expected AO-corrected phase screens and the estimated speckle lifetime. It is shown that NFIRAOS/IRIS may achieve contrasts close to the Gemini planet imager (GPI, an optimized NIR planet-finding instrument that will soon be installed on the Gemini South 8-m telescope), but needs to rely on multi-wavelength processing (by a factor 50) to achieve that goal, a challenging requirement. Without a coronograph and a better treatment of the in-band static speckle noise, it is unlikely that NFIRAOS/IRIS will be able to achieve GPI-like contrasts at very small inner working angles, which is potentially accessible with a large 30-meter telescope. However, TMT, with its bigger aperture and better angular resolution, along with the current NFIRAOS/IRIS designs, should be able to acquire higher SNR spectra and achieve three times better astrometric accuracy than GPI for medium to bright planets, resulting in better atmospheric characterization and faster orbital parameter determination of a sample of GPI planets.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».