Closing the loop on-sky with a vector-Zernike wavefront sensor using a convolutional neural network as phase reconstructor

Der kosmische Unschärfeeffekt und die intelligente Kamera

Stellen Sie sich vor, Sie versuchen, ein kristallklares Foto eines fernen Glühwürmchens zu machen, während Sie hinter einem welligen, hitzeflimmernden Fenster stehen. Genau das ist die Herausforderung, der sich Astronomen stellen, wenn sie von der Erde aus Sterne und Planeten beobachten. Unsere Atmosphäre ist eine turbulente Suppe aus Luft, die Licht ständig verschiebt und beugt, wodurch scharfe Lichtpunkte in verschwommene Flecken verwandelt werden. Um dies zu beheben, nutzen Wissenschaftler einen hochtechnologischen Trick namens „Adaptive Optik“. Betrachten Sie dies als eine magische Kamera, die in der Lage ist, ihren eigenen Spiegel (einen deformierbaren Spiegel) hunderte Male pro Sekunde instantan umzuformen, um die Wackler in der Luft zu kompensieren und das Bild wieder in seine ursprüngliche Schärfe zu versetzen.

Doch um den Spiegel zu korrigieren, muss die Kamera zuerst wissen, wie die Luft wackelt. Dies ist die Aufgabe eines „Wellenfrontsensors“, eines speziellen Auges, das die Verzerrungen im Licht misst. Einige der empfindlichsten Sensoren sind unglaublich gut darin, winzige Wackelbewegungen zu erkennen, haben aber eine seltsame Eigenart: Wenn die Luft zu unruhig wird, geraten diese Sensoren in Verwirrung. Es ist wie bei einer Uhr, die nur die Zahlen 1 bis 12 hat; wenn man die Zeiger zu schnell dreht, springen sie zurück und beginnen von vorn, was es unmöglich macht zu sagen, ob man sie vorwärts oder rückwärts gedreht hat. Dieses „Wrapping“-Problem bedeutet, dass diese supersensiblen Sensoren bei starker atmosphärischer Turbulenz normalerweise aufgeben und die Kamera wieder blind wird. Die Frage, die sich Wissenschaftler gestellt haben, lautet: Können wir einem Computer beibringen, den verwirrten Sensor zu betrachten und die wahre Geschichte zu entschlüsseln, selbst wenn die Zahlen „umgeschlagen“ sind?

Die große Idee des Papers: Einem Roboter beibringen, den Himmel zu entfalten

Dieses Paper mit dem Titel „Closing the loop on-sky with a vector-Zernike wavefront sensor using a convolutional neural network as phase reconstructor“ handelt davon, wie man einem Computer beibringt, dieses Wrapping-Rätsel zu lösen. Die Forscher unter der Leitung von F. Oyarzún und Kollegen entschieden sich für eine Art künstliche Intelligenz namens „Convolutional Neural Network“ (CNN). Sie können sich ein CNN als einen superintelligenten Detektiv vorstellen, der nicht nur einen Hinweis nach dem anderen betrachtet, sondern das gesamte Bild scannt, um den Kontext zu verstehen.

In der Vergangenheit nutzten Wissenschaftler einfache, lineare Mathematik, um die Signale des Sensors in eine Korrektur für den Spiegel zu übersetzen. Das funktionierte hervorragend, wenn die Luft ruhig war, aber wenn die Turbulenzen stark wurden, brach die Mathematik aufgrund des „Wrapping“-Problems zusammen. Das Team schlug einen neuen Ansatz vor: Anstatt einfache Mathematik zu verwenden, trainierten sie ein neuronales Netzwerk darauf, das vollständige Bild des Sensors zu betrachten und die Form der Verzerrung zu erraten. Es ist, als würde man einem Kind beibringen, ein Gesicht zu erkennen, nicht indem man Augen und Nasen einzeln zählt, sondern indem man das ganze Gesicht auf einmal betrachtet.

Um dies zu erreichen, warf das Team nicht einfach nur Daten auf den Computer. Sie bauten ein sehr detailliertes virtuelles Modell ihres Teleskops und der Atmosphäre und generierten tausende von vorgetäuschten „turbulenten Nächten“, um die KI zu trainieren. Sie verwendeten einen speziellen Trainings-Trick namens „Curriculum Learning“, bei dem sie die KI mit einfachen, ruhigen Nächten begannen und sie schrittweise zu stürmischen, chaotischen Nächten führten. Sie erfanden auch eine neue Art, die Hausaufgaben der KI zu bewerten, wobei der Fokus stark darauf lag, die winzigen Details richtig zu erfassen, denn in der Astronomie kann selbst ein winziger Fehler das Bild ruinieren.

Der Himmels-Test: Von der Simulation zur Realität

Der wahre Test kam, als sie diese KI auf dem tatsächlichen Himmel am Observatoire de Haute-Provence in Frankreich einsetzten. Sie koppelten ihr neues System an ein Teleskop, das mit einem „Vektor-Zernike-Wellenfrontsensor“ (v-ZWFS) ausgestattet war – einem supersensiblen Auge, das darauf ausgelegt ist, schwache Sterne zu sehen. Das Ziel war es zu prüfen, ob die KI den Spiegel des Teleskops stabil und scharf halten kann, wenn die Luft rau ist – Bedingungen, unter denen die alte, einfache Mathematik völlig versagt hätte.

Die Ergebnisse waren aufregend. In Simulationen konnte die KI Turbulenzstärken bewältigen, die 80 Mal stärker waren als das, was die alte lineare Methode bewältigen konnte. Als sie sie am echten Himmel einsetzten, bewies die KI ihren Wert. In mehreren Fällen, in denen die traditionelle lineare Methode aufgab und das Bild verschwamm, hielt die KI den Regelkreis geschlossen und erzeugte scharfe, klare Bilder.

In einem besonders beeindruckenden Test versuchten sie, den empfindlichen Sensor als einzigen Führer zu nutzen, indem sie ihn der vollen Kraft der Atmosphäre ohne Hilfe eines First-Stage-Sensors aussetzten. Normalerweise wäre dies unmöglich, da die Turbulenz zu stark ist. Aber mit der KI gelang es ihnen, einen Schärfewert (genannt Strehl-Verhältnis) von 46,2 % zu erreichen. Dies war fast so gut wie bei einem Zwei-Stufen-System mit der traditionellen Methode. Tatsächlich übertraf die KI in vielen Fällen die traditionelle Methode und erzeugte klarere Bilder mit einem Strehl-Verhältnis von 32,7 % im Vergleich zu 22,0 % bei der herkömmlichen Methode, wenn beide funktionierten.

Was das bedeutet

Das Paper zeigt, dass wir durch den Einsatz eines neuronalen Netzwerks, das vollständig in einer Computersimulation trainiert wurde, den nutzbaren Bereich dieser supersensiblen Sensoren weit über ihre ursprünglichen Designgrenzen hinaus erweitern können. Die Autoren fanden heraus, dass die KI nicht nur rät, sondern die verwirrenden Signale erfolgreich „entfaltet“ (unwrapped) hat, was es dem Teleskop ermöglicht, viel stärkere Turbulenzen zu korrigieren als je zuvor.

Sie schlossen explizit die Möglichkeit aus, dass einfache lineare Mathematik für diese Bedingungen ausreicht; das Paper demonstriert, dass der lineare Ansatz bei großen Verzerrungen nicht konvergiert, während die nicht-lineare KI erfolgreich ist. Das Vertrauen in diese Ergebnisse ist hoch, da sie nicht nur simuliert, sondern mit echten Daten am Himmel bewiesen wurden. Die Forscher legen nahe, dass dies nicht nur eine kleine Verbesserung ist, sondern ein grundlegender Wandel, der es zukünftigen Riesenteleskopen ermöglichen könnte, ihre empfindlichsten Augen selbst in den unruhigsten Nächten zu nutzen, was neue Möglichkeiten zur Entdeckung ferner, schwacher Welten eröffnet.