Improved Contrast in Images of Exoplanets Using Direct Signal-to-noise Ratio Optimization
Notice bibliographique
Résumé
Abstract Direct imaging of exoplanets is usually limited by quasi-static speckles. These uncorrected aberrations in a star’s point-spread function (PSF) obscure faint companions and limit the sensitivity of high-contrast imaging instruments. Most current approaches to processing differential imaging sequences like angular differential imaging and spectral differential imaging produce a self-calibrating data set that is combined using a linear least-squares solution to minimize the noise. Due to temporal and chromatic evolution of a telescope’s PSF, the best correlated reference images are usually the most contaminated by the planet, leading to self-subtraction and reducing the planet throughput. In this paper, we present an algorithm that directly optimizes the nonlinear equation for planet signal-to-noise ratio (S/N). This new algorithm does not require us to reject adjacent reference images and optimally balances noise reduction with self-subtraction. We then show how this algorithm can be applied to multiple images simultaneously for a further reduction in correlated noise, directly maximizing the S/N of the final combined image. Finally, we demonstrate the technique on an illustrative sequence of HR8799 using the new Julia-based Signal to Noise Analysis Pipeline. We show that S/N optimization can provide up to a 5× improvement in contrast close to the star. Applicable to both new and archival data, this technique will allow for the detection of fainter, lower mass, and closer-in companions, or achieve the same sensitivity with less telescope time.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 ».