Notice bibliographique
Résumé
This thesis investigates control and calibration methodologies for astronomical Adaptive Optics (AO) systems, focusing on three primary contributions: the development of an open-source real-time control software, enhancements in next-generation AO systems, and improvements to control strategies through machine learning. The goal of this research is to increase the accessibility, performance, and efficiency of AO systems by introducing new control architectures, scalable real-time solutions, and advanced calibration methods. The first contribution is pyRTC, an open-source software designed for kHz-speed real-time control in high actuator count AO systems. By leveraging Python for its high-level programmability, pyRTC demonstrates that real-time control tasks, traditionally confined to low-level environments, can be effectively managed within a flexible, high-level programming framework. Key features include multi-processing to bypass Python’s GIL, just-in-time compilation, GPU acceleration, and shared memory-based data transfer pipelines. pyRTC also integrates with PyTorch, allowing the streamlined testing of AI-based controllers in real-time. The second contribution focuses on the MMTO Adaptive exoPlanet characterization System (MAPS), in particular, the commissioning of a NIR PyWFS camera and the ESCAPE calibration protocol. ESCAPE, a hybrid approach combining empirical and pseudo-synthetic techniques, addresses calibration challenges unique to convex adaptive secondary mirrors, where internal light sources are inaccessible. Laboratory results confirm the effectiveness of ESCAPE for interaction matrix generation, while initial on-sky tests reveal limitations related to pupil illumination and hardware imperfections, which continue to be investigated. The final contribution explores AI-enhanced controllers, implemented on the RAZOR test bench, using a convolutional LSTM-based predictive controller. Initial results indicate that the controller significantly improves performance under high temporal error conditions. pyRTC facilitates real-time integration of these AI-based control methods, demonstrating the feasibility of implementing machine learning techniques in AO control systems. This thesis aligns with the projected needs of next-generation observatories as outlined in the Astro 2020 decadal survey, which anticipates an increased demand for AO instrumentation and a growing AO workforce. The findings contribute to the development of scalable, accessible AO solutions, aiming to support future observatories and foster advancements in astronomical AO research.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».