ffortissimo: A Freeform Forward-Modeling Pipeline for High-Contrast Images of Circumstellar Disks Based on Automatic Differentiation

Resumen Técnico de "ffortissimo: Un flujo de trabajo de modelado directo de forma libre para imágenes de alto contraste de discos circunestelares basado en diferenciación automática"

Planteamiento del Problema
La caracterización de discos circunestelares mediante imagen directa se ve obstaculizada por dos desafíos principales. Primero, el modelado paramétrico tradicional asume que las distribuciones de densidad de polvo siguen formas funcionales fijas, lo cual a menudo falla al capturar morfologías complejas como brechas, cúmulos, deformaciones (warps) y espirales. Segundo, las técnicas de post-procesamiento de imagen de alto contraste estándar, específicamente la Imagen Diferencial Angular (ADI) combinada con la Proyección de Imagen de Karhunen-Loève (KLIP), introducen artefactos. Estos algoritmos inevitablemente restan porciones de la señal del disco junto con el ruido de la función de dispersión de punto (PSF) estelar (auto-sustracción), distorsionando la verdadera morfología de las estructuras tenues, particularmente en separaciones angulares pequeñas y a lo largo del eje menor de los discos inclinados. Esta distorsión complica la medición precisa de la Función de Fase de Dispersión (SPF) del polvo y dificulta la inferencia de la composición global del material dispersor.

Metodología
Los autores presentan ffortissimo, un nuevo flujo de trabajo de Python de código abierto diseñado para el modelado directo (forward modeling) basado en píxeles de objetos extendidos en imágenes reducidas por KLIP. El flujo de trabajo está construido dentro del marco Jax, aprovechando la diferenciación automática ("autodiff") y cálculos de matrices acelerados por GPU para permitir una optimización eficiente.

El flujo de trabajo central consta de los siguientes pasos:

1. Marco de Modelado Directo: El flujo de trabajo utiliza el formalismo DiskFM (Mazoyer et al. 2020) para simular la respuesta del instrumento y los artefactos de sustracción de la PSF (auto-sustracción y sobre-sustracción) en un modelo de disco sintético. Esto permite que el modelo se compare directamente con los datos reducidos por KLIP.
2. Parametrización de Forma Libre: A diferencia de los métodos tradicionales que ajustan un pequeño conjunto de parámetros geométricos y físicos, ffortissimo trata cada píxel dentro de una Región de Interés (ROI) como un parámetro libre independiente. Esto permite que el modelo aprenda la distribución de densidad y brillo del polvo directamente de los datos sin asumir una forma paramétrica específica.
3. Optimización: El flujo de trabajo emplea el optimizador Adam para minimizar una función de costo definida por los residuos entre la imagen modelada directamente y la imagen observada reducida por KLIP, normalizada por un mapa de ruido medido empíricamente.
4. Regularización: Para evitar que el modelo de forma libre se sobreajuste al ruido (lo que resultaría en artefactos "granulados") y para imponer una suavidad física, los autores implementan un esquema de regularización de frecuencia espacial. Esto implica:
   • Generar un modelo de disco de referencia (usando un modelo simple de luz dispersada paramétrico) para crear una plantilla de espectro de potencia de referencia.
   • Ajustar una ventana gaussiana elíptica a esta plantilla para definir las frecuencias espaciales esperadas.
   • Penalizar el espectro de potencia del modelo de forma libre si este excede la plantilla de referencia durante la optimización.
5. Validación: Los autores validan el método de regularización probándolo en imágenes de ruido de fondo "sin disco" e imágenes con modelos de referencia invertidos o isotrópicos para asegurar que el método no sesgue la morfología recuperada hacia la plantilla de referencia.

Contribuciones Clave

• Desarrollo de ffortissimo: Un flujo de trabajo totalmente diferenciable y acelerado por GPU que realiza el modelado directo píxel por píxel de discos circunestelares, capaz de manejar los complejos artefactos introducidos por KLIP-ADI y KLIP-RDI.
• Recuperación de la SPF Basada en Datos: La capacidad de inferir las propiedades de dispersión del polvo y la Función de Fase de Dispersión (SPF) directamente de los datos, incluso a través de regiones fuertemente afectadas por artefactos de sustracción de PSF (por ejemplo, el eje menor de discos inclinados), sin depender de perfiles de SPF analíticos presupuestos como la función de Henyey-Greenstein.
• Eficiencia Computacional: Al utilizar Jax y el descenso de gradiente, el flujo de trabajo logra velocidades de convergencia aproximadamente 100–150 veces más rápidas que los enfoques tradicionales de DiskFM basados en MCMC, reduciendo el tiempo de convergencia de días a aproximadamente 1.5 horas en una sola GPU NVIDIA H100.
• Potencial de Super-Resolución: El marco demuestra la capacidad de inferir características espaciales más pequeñas que el límite de difracción del telescopio (deconvolución) mediante la optimización de un modelo pre-convolucionado, siempre que la relación señal-ruido sea suficiente.

Resultados
El flujo de trabajo fue probado en imágenes de luz visible del disco circunestelar HR 4796A obtenidas con el instrumento MagAO-X.

• Recuperación Morfológica: Los modelos de forma libre recuperaron con éxito distribuciones de brillo y asimetrías complejas en los lóbulos del disco que los modelos paramétricos tradicionales no pudieron ajustar, resultando en residuos significativamente mejorados.
• Extracción de la SPF: El flujo de trabajo recuperó con éxito la SPF a través de un amplio rango de ángulos de dispersión, incluyendo el pico de dispersión hacia adelante en el eje menor, que es típicamente erradicado por KLIP-ADI. Las SPFs extraídas mostraron una buena concordancia con aquellas derivadas de modelos paramétricos usando polinomios de Legendre, particularmente en la banda $z'$.
• Pruebas de Inyección y Recuperación: Utilizando discos sintéticos inyectados en conjuntos de datos "retro-rotados", los autores demostraron que ffortissimo puede recuperar SPFs conocidas y características espaciales (como anillos anidados con anchos de $\sim$1 píxel) incluso en presencia de ruido de halo impulsado por viento (WDH), aunque el rendimiento decae en regiones con artefactos de ruido severos.
• Limitaciones Observadas: Se encontró que los modelos aprenden ciertos artefactos de ruido, específicamente el halo impulsado por viento (WDH) y el ruido de motas (speckles) residual en separaciones angulares pequeñas, lo que indica que el flujo de trabajo actual tiene dificultades para distinguir las características tenues del disco del ruido de fondo difuso en regímenes de baja relación señal-ruido.

Significancia y Reivindicaciones
El artículo sostiene que ffortissimo ofrece una herramienta poderosa para la caracterización morfológica de discos circunestelares, particularmente para sistemas con geometrías complejas que desafían las descripciones paramétricas simples. Al eliminar la suposición de una forma paramétrica fija, el método permite una recuperación más directa de las propiedades de dispersión de polvo y las estructuras espaciales.

Sin embargo, los autores mantienen una postura modesta respecto a la precisión actual del método. Declaran explícitamente que no se aconseja todavía la fotometría de precisión utilizando estos modelos de forma libre debido a los desafíos persistentes en la caracterización del ruido de fondo, los halos impulsados por el viento y las motas (speckles). Los autores enfatizan que, si bien el flujo de trabajo puede recuperar señales perdidas y características sub-resolución, los resultados deben tratarse con cautela y validarse de forma cruzada con otros métodos hasta que se establezca un marco estadístico riguroso para la varianza píxel por píxel. El valor principal del presente trabajo se presenta como una caracterización morfológica exploratoria y la demostración de una nueva vía computacionalmente eficiente para el modelado directo de imágenes de alto contraste.