MétaCan
Menu
Retour à la cohorte
Enregistrement W2231506129 · doi:10.1364/ao.55.000323

Performance of the Gemini Planet Imager’s adaptive optics system

2016· article· en· W2231506129 sur OpenAlexaff
Lisa Poyneer, David W. Palmer, Bruce Macintosh, Dmitry Savransky, Naru Sadakuni, Sandrine Thomas, Jean‐Pierre Véran, Katherine B. Follette, Alexandra Z. Greenbaum, S. Mark Ammons, Vanessa P. Bailey, Brian Bauman, Andrew Cardwell, Daren Dillon, Donald T. Gavel, Markus Hartung, Pascale Hibon, Marshall D. Perrin, Fredrik T. Rantakyrö, Anand Sivaramakrishnan, Jason Wang

Notice bibliographique

RevueApplied Optics · 2016
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueAdaptive optics and wavefront sensing
Établissements canadiensHerzberg Institute of Astrophysics
Organismes subventionnairesLawrence Livermore National LaboratoryMinistério da Ciência, Tecnologia e InovaçãoComisión Nacional de Investigación Científica y TecnológicaU.S. Department of EnergyMinisterio de Ciencia, Tecnología e Innovación ProductivaNational Science Foundation
Mots-clésAdaptive opticsExoplanetWavefrontOpticsPlanetDeformable mirrorRemote sensingPhysicsWavefront sensorAtmospheric opticsImage qualityComputer scienceAstronomyGeologyComputer visionImage (mathematics)

Résumé

récupéré en direct d'OpenAlex

The Gemini Planet Imager's adaptive optics (AO) subsystem was designed specifically to facilitate high-contrast imaging. A definitive description of the system's algorithms and technologies as built is given. 564 AO telemetry measurements from the Gemini Planet Imager Exoplanet Survey campaign are analyzed. The modal gain optimizer tracks changes in atmospheric conditions. Science observations show that image quality can be improved with the use of both the spatially filtered wavefront sensor and linear-quadratic-Gaussian control of vibration. The error budget indicates that for all targets and atmospheric conditions AO bandwidth error is the largest term.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,192
Écart entre enseignants0,182 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations71
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied OpticsMême sujetAdaptive optics and wavefront sensingTravaux en français237 207