Pointing Accuracy Improvements for the South Pole Telescope with Machine Learning
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
In this paper, we present improvements to the pointing accuracy of the South Pole Telescope (SPT) using machine learning. The ability of the SPT to point accurately at the sky is limited by its structural imperfections, which are impacted by the extreme weather at the South Pole. Pointing accuracy is particularly important during SPT participation in observing campaigns with the Event Horizon Telescope (EHT), which requires stricter accuracy than typical observations with the SPT. We compile a training dataset of historical observations of astronomical sources made with the SPT-3G and EHT receivers on the SPT. We train two XGBoost models to learn a mapping from current weather conditions to two telescope drive control arguments — one which corrects for errors in azimuth and the other for errors in elevation. Our trained models achieve root mean squared errors on withheld test data of 2[Formula: see text]14 in cross-elevation and 3[Formula: see text]57 in elevation, well below our goal of 5[Formula: see text] along each axis. We deploy our models on the telescope control system and perform further in situ test observations during the EHT observing campaign in April 2024. Our models result in significantly improved pointing accuracy: for sources within the range of input variables where the models are best trained, average combined pointing error improved 33%, from 15[Formula: see text]9 to 10[Formula: see text]6. These improvements, while significant, fall shy of our ultimate goal, but they serve as a proof of concept for the development of future models. Planned upgrades to the EHT receiver on the SPT will necessitate even stricter pointing accuracy which will be achievable with our methods.
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 | 0,000 | 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