Planet detection down to a few λ/D: an RSDI/TLOCI approach to PSF subtraction
Notice bibliographique
Résumé
Most current high contrast imaging point spread function (PSF) subtraction algorithms use some form of a least-squares noise minimization to find exoplanets that are, before post-processing, often hidden below the instrumental speckle noise. In the current standard PSF subtraction algorithms, a set of reference images is derived from the target image sequence to subtract each target image, using Angular and/or Simultaneous Spectral Differential Imaging (ADI, SSDI, respectively). However, to avoid excessive exoplanet self-subtraction, ADI and SSDI (in the absence of a strong spectral feature) severely limit the available number of reference images at small separations. This limits the performance of the least-squares algorithm, resulting in lower sensitivity to exoplanets at small angular separations. Possible solutions are to use additional reference images by acquiring longer sequences, use SSDI if the exoplanet is expected to show strong spectral features, or use images acquired on other targets. The latter option, known as Reference Star Differential Imaging (RSDI), which relies on the use of reference images that are highly correlated to the target image, has been ineffective in previous ground-based high contrast imaging surveys. The now >200 target reference library from the Gemini Planet Imager Exoplanet Survey (GPIES) allows for a detailed RSDI analysis to possibly improve contrast performance near the focal plane mask, at ∼2-7λ/D separations. We present the results of work to optimize PSF subtraction with the GPIES reference library using a least-squares algorithm designed to minimize speckle noise and maximize planet throughput, thus maximizing the planet signal to noise ratio (SNR). Using December 2014 51 Eri GPI data in the inner 100 mas to 300 mas annulus, we find no apparent improvement in SNR when using RSDI and/or our optimization scheme. This result, while still being investigated, seems to show that current algorithms on ADI+SSDI data sets are optimized, and that limited gains can be achieved by using a PSF archive.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,006 |
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 ».