Denoising Interferometric Observations Using Visibilities-Informed Neural Networks

Resumen Técnico: Desruido de Observaciones Interferométricas Mediante Redes Neuronales Informadas por Visibilidades

Planteamiento del Problema
El futuro Observatorio del Cuadrado Kilómetro (SKAO) y el Very Large Array de nueva generación (ngVLA) generarán vastos conjuntos de datos de observaciones astronómicas de longitudes de onda largas, particularmente de discos protoplanetarios. Sin embargo, las observaciones interferométricas en escalas de tiempo razonables (por ejemplo, decenas de horas) a menudo resultan en imágenes ruidosas que ocultan subestructuras críticas, como estelas espirales y brechas, las cuales son esenciales para comprender la formación planetaria. El software de limpieza tradicional, como CASA (Common Astronomy Software Applications), aunque efectivo, lucha contra niveles significativos de ruido que pueden inhibir un análisis detallado. Además, los enfoques existentes de aprendizaje automático para el desruido de datos interferométricos han ignorado a menudo las características observacionales específicas, como la Función de Dispersión del Punto (PSF), que definen el ruido y la resolución de los datos.

Metodología
Los autores proponen VIREO (Reconstrucción Informada por Visibilidades para Observaciones Mejoradas), un método basado en aprendizaje automático diseñado para desruidar datos interferométricos incorporando explícitamente la PSF de la observación en la arquitectura del modelo y el proceso de entrenamiento.

• Generación de Datos: El estudio utiliza 1.489 simulaciones de hidrodinámica de partículas suavizadas (SPH) de discos protoplanetarios solo de gas que contienen de 0 a 4 planetas. Estos se procesan mediante el código de transferencia radiativa MCFOST para generar modelos de visibilidad de verdad fundamental a 12,5 GHz. Se crean observaciones "sucias" sintéticas convolucionando estos modelos con PSFs derivadas de una configuración de arreglo SKAO-Mid de 133 antenas, añadiendo ruido térmico y simulando varios tiempos de integración (10, 100 y 1000 horas) y resoluciones (34 y 67 mas).
• Arquitectura del Modelo: El núcleo de VIREO es una red neuronal convolucional U-Net. A diferencia de los modelos de desruido estándar, VIREO acepta dos entradas: la imagen sucia ruidosa y la PSF correspondiente.
  • Modulación Lineal por Características (FiLM): La innovación clave es la integración de capas FiLM dentro de las capas de aumento de muestreo y el cuello de botella de la U-Net. Estas capas extraen un "vector de contexto" de la PSF, que comprende características geométricas del haz (FWHM, excentricidad, ángulo de posición) y una codificación convolucional de la propia PSF.
  • Modulación: Este vector de contexto genera parámetros de escalado ($\gamma$) y desplazamiento ($\beta$) que modulan los mapas de características, permitiendo que la red adapte selectivamente su procesamiento según las características específicas del haz observacional y el ruido.
  • Función de Pérdida: El objetivo de entrenamiento combina el Error Absoluto Medio (MAE), el Índice de Similitud Estructural Multiescala (MS-SSIM) y una pérdida de $l_1$-starlet para preservar las subestructuras finas. Crucialmente, la función de pérdida incluye un término que calcula el MAE entre el objetivo limpio convolucionado con la PSF y la imagen reconstruida convolucionada con la PSF, asegurando que la salida sea consistente con la PSF observacional.
• Líneas Base Comparativas: Los autores comparan VIREO contra:
  1. Deconvolución multiescala tradicional de CASA.
  2. Una arquitectura U-Net idéntica entrenada sin entradas de PSF ni pérdida específica de PSF (ignorante de PSF).
  3. Un modelo de clasificación/regresión aguas abajo (Swin V2 Vision Transformer) entrenado para detectar y contar planetas, utilizado como proxy de utilidad científica.

Resultados Clave

• Calidad de Imagen: VIREO supera significativamente tanto a CASA como al modelo ignorante de PSF en todas las métricas. Elimina casi por completo el ruido de fondo mientras preserva y mejora subestructuras como anillos, brechas y estelas espirales.
• Métricas Cuantitativas:
  • Reducción de Ruido: VIREO logra el ruido RMS de esquina fuera de fuente más bajo en todos los tiempos de integración y resoluciones.
  • Conservación del Flujo: El modelo mantiene la precisión del flujo mejor que otros métodos, con casi el 95% de los píxeles mostrando un error de flujo inferior al 5%.
  • Relación Señal-Ruido (SNR): VIREO produce la SNR pico más alta en todos los conjuntos de datos.
• Análisis Aguas Abajo: Cuando se aplica a una tarea de detección y conteo de planetas, las imágenes desruidadas por VIREO resultan en el mayor Área Bajo la Curva (AUC) para clasificación y el menor Error Absoluto Medio (MAE) para regresión. Las matrices de confusión indican que VIREO produce la menor cantidad de falsos positivos y falsos negativos en comparación con otros métodos.
• Aplicación a Datos Reales: Al aplicarse a datos archivales de ALMA (HL Tau, AS 209, Elias 2-27), VIREO reduce exitosamente el ruido de fondo y mejora el contraste de las subestructuras (por ejemplo, profundizando las brechas y agudizando los picos de los anillos) sin introducir artefactos significativos, a pesar de haber sido entrenado con datos sintéticos de SKAO-Mid.
• Eficiencia: Una sola operación de desruido con VIREO toma aproximadamente 0,07 segundos, unas 800 veces más rápido que una ejecución estándar de limpieza de CASA (aprox. 59 segundos).

Significado y Afirmaciones
El artículo afirma que VIREO representa un avance generalizable para el análisis de datos interferométricos. Al informar explícitamente a la red neuronal sobre la PSF de la observación, el modelo aprende a distinguir entre la verdadera subestructura astrofísica y los artefactos introducidos por las propiedades del haz y el ruido del telescopio.

Los autores afirman que este enfoque es particularmente valioso para el SKAO, donde los datos pueden ser inherentemente más ruidosos debido a la escala de las observaciones. Argumentan que VIREO permite un análisis científico robusto de discos protoplanetarios utilizando tiempos de integración más cortos (por ejemplo, decenas de horas) que de otro modo serían demasiado ruidosos para los métodos tradicionales, aumentando así la eficiencia y la producción de datos de los futuros observatorios. La aplicación exitosa a datos de ALMA sugiere que los modelos informados por visibilidades son una técnica viable y general para la limpieza y el análisis de observaciones interferométricas en diferentes instalaciones, siempre que se entrenen con conjuntos de datos apropiados.