AIROPA II: modeling instrumental aberrations for off-axis point spread functions in adaptive optics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Images obtained with single-conjugate adaptive optics (AO) show spatial variation of the point spread function (PSF) due to both atmospheric anisoplanatism and instrumental aberrations. The poor knowledge of the PSF across the field of view strongly impacts the ability to take full advantage of AO capabilities. The AIROPA project aims to model these PSF variations for the NIRC2 imager at the Keck Observatory. Here, we present the characterization of the instrumental phase aberrations over the entire NIRC2 field of view and we present a metric for quantifying the quality of the calibration, the fraction of variance unexplained (FVU). We used phase diversity measurements obtained on an artificial light source to characterize the variation of the aberrations across the field of view and their evolution with time. We find that there is a daily variation of the wavefront error (RMS of the residuals is 94 nm) common to the whole detector, but the differential aberrations across the field of view are very stable (RMS of the residuals between different epochs is 59 nm). This means that instrumental calibrations need to be monitored often only at the center of the detector, and the much more time-consuming variations across the field of view can be characterized less frequently (most likely when hardware upgrades happen). Furthermore, we tested AIROPA’s instrumental model through real data of the fiber images on the detector. We find that modeling the PSF variations across the field of view improves the FVU metric by 60% and reduces the detection of fake sources by 70%.
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.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle