Aprendizaje automático para modelos de PSF basados en el frente de onda

Título

Aprendizaje automático para modelos de PSF basados en el frente de onda

Colaborador

Rey Vega, Leonardo

Editor

Universidad de Buenos Aires. Facultad de Ingeniería

Fecha

2023-08-11

Extensión

xiv, 59 p.

Resumen

En astrofísica y cosmología, como en tantos otros dominios de la física, las próximas décadas traerán consigo nuevas generaciones de instrumentos extremadamente potentes, como el telescopio Euclid o el Nancy Grace Roman Space Telescope. Un modelo preciso de la función de dispersión de punto (PSF), caracterización de la respuesta impulsiva del sistema ´óptico, es un requisito fundamental para cumplir con los ambiciosos objetivos cient´ıficos actuales. El método WaveDiff es un modelo semiparamétrico, diferenciable, para la estimación de la PSF basada en observaciones (data driven). Este modelo, desarrollado en el laboratorio CosmoStat, reconstruye la PSF directamente en el espacio de frente de onda y está basado en un modelo óptico completamente diferenciable que incorpora el proceso físico que permite obtener la PSF en el espacio de píxeles a partir del error en el espacio de frente de onda (WFE, wavefront error), integrando la variación espectral de la PSF sobre el ancho de banda del telescopio en conjunto con la distribución espectral de energía (SED) de las estrellas observadas. En este trabajo se realiza un estudio de errores de predicción con respecto a las aberraciones presentes en las SED utilizadas. Se propone un método para mitigar el impacto de las degradaciones de las SED (integración espectral o binning y ruido en las mediciones fotométricas) sobre la optimización y predicciones del modelo. Se optimiza el método WaveDiff con datasets de diferentes tamaños con el fin de evaluar posibles beneficios gracias al incremento del número de observaciones, a costas de un aumento en el tiempo de cómputo y recursos de memoria. Finalmente, se propone un nuevo paradigma de optimización para el modelo semiparamétrico, el cual permite mejorar sustancialmente la optimización del modelo paramétrico, disminuyendo los errores de predicción tanto en el espacio de pixeles como en el espacio de frente de onda.
In astrophysics and cosmology, as in other areas of physics, the next decade will bring a new generation of extremely powerful instruments, such as Euclid or the Nancy Grace Roman Space Telescope. An accurate model of the point spread function (PSF), i.e., the instrumental response of the optical system, is a fundamental requirement to meet ambitious scientific goals. The WaveDiff model is a semi-parametric wavefront model for data-driven PSF estimation. This method, developed in the CosmoStat lab, builds the PSF model directly on the wavefront space and is based on a differentiable optical model that integrates the physical processes to go from a wavefront error (WFE) to a pixel-level PSF, integrating the wavelength dependency over the instrument bandwidth alongside the spectral energy distribution of observed stars (SED). In this work an error analysis of the model with respect to aberrations on the input SED data is carried out. A method is proposed to alleviate the impact of SED degradation (spectral binning and photometric measurements noise) on the model predictions. The WaveDiff model is optimised and put to test with different dataset sizes to consider the possible benefit of increasing the number of observations used. Finally, a new optimisation paradigm was proposed for the semiparametric model that allows to substantially improve the optimisation of the parametric model decreasing prediction errors both in wavefront and pixel space.