Focal-plane wavefront control using deep learning for high-contrast imaging
Notice bibliographique
Résumé
On ground-based telescopes, high contrast imaging (HCI) systems suffer the common limitations of atmospheric turbulence that produce phase aberrations on the wavefront. While Adaptive Optics (AO) systems are adept at correcting these aberrations, non-common path aberrations (NCPAs) require additional intervention. NCPAs are caused by the wavefront sensor (WFS) measuring and correcting for a wavefront that is different from the wavefront affecting the science images. These aberrations introduce biases to observations that can be misinterpreted as exoplanets. In the past years we have developed focal-plane wavefront sensing (FPWFS) for vortex coronagraphs, exploring various techniques to lift the sign-ambiguity on even Zernike modes and to estimate NCPAs. Using Deep Learning (DL) algorithms, we have trained models on large laboratory datasets of Zernike coefficients with their associated images, and we have used those models to identify and correct aberrations (Quesnel 2024). Here, we build upon our previous approaches by replacing the DL algorithms with Reinforcement Learning (RL) that allow the real-time training and correction of NCPAs such as water vapor seeing. We have created a simulation that mimics the Mid-infrared ELT Imager and Spectrograph (METIS) and uses RL algorithms to correct the simulated aberrations caused by water vapor seeing. We are currently fine-tuning RL algorithms with the aim to eventually conduct on-sky demonstrations. The development and on-sky demonstration of this framework would be a major milestone for the deployment of FPWFS on METIS and could prove highly valuable for future generations of HCI instruments.
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 | 0,000 | 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 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 ».