The future looks dark: improving high contrast imaging with hyper-parameter optimization for data-driven predictive wavefront control
Notice bibliographique
Résumé
The direct imaging and characterization of exoplanets requires extreme adaptive optics (XAO), achieving exquisite wavefront correction (upwards of 90% Strehl) over a narrow field of view (a few arcseconds). For these XAO systems the temporal error is often a leading term in the error budget, wherein the wavefront evolves faster than the lag between wavefront sensing and control. For atmospheres with high-velocity wind layers, this can result in a wind-driven halo in the coronagraphic dark-zone, limiting sensitivity to faint, close-in companions. The AO system’s lag-time is often limited by the wavefront sensor exposure time, especially in the case of fainter guidestars. Predictive control mitigates the temporal error by predicting the shape of the wavefront by time the system correction is applied. One such method of prediction is empirical orthogonal functions (EOF), wherein previous states in the wavefront sensor history are used to learn linear correlations with a minimization problem. This method has been demonstrated on-sky at Subaru/SCExAO and Keck/NIRC2, but has yet to be optimized. With this work as a starting point, we explore the optimal filter hyper-parameter space for implementing EOF on-sky, study its stability under varying atmospheric parameters, and discuss future paths for facilitization of predictive control. This work not only offers a pathway to optimize Keck and Subaru observing, but also acts as a pathfinder for predictive control methods with extremely large telescopes.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».