Point spread function wavefront recovery from in-focus stellar observations

Resumen Técnico: Recuperación del Frente de Onda de la Función de Dispersión de Punto a partir de Observaciones Estelares en Foco

Planteamiento del Problema
El modelado preciso de la Función de Dispersión de Punto (PSF) es crítico para la cosmología de precisión, particularmente para los estudios de lentes gravitacionales débiles realizados por telescopios espaciales de campo amplio (por ejemplo, Euclid, Observatorio Vera C. Rubin, Nancy Grace Roman). La PSF varía espacialmente a través del campo de visión (FOV), con la longitud de onda y en el tiempo. Mientras que los modelos no paramétricos han mostrado éxito en la reconstrucción de la PSF en el espacio de píxeles, a menudo fallan al recuperar el campo de Error del Frente de Onda (WFE) con alta fidelidad.

El desafío específico abordado en este trabajo es la recuperación del campo WFE a partir de observaciones estelares en foco, policromáticas y submuestreadas. Este es un problema inverso mal planteado porque las PSF en foco colapsan en regiones pequeñas en el plano focal, perdiendo información de fase significativa en comparación con las observaciones fuera de foco (diversidad de fase). Los intentos previos utilizando el modelo semiparamétrico WaveDiff lograron una excelente recuperación de la PSF en el espacio de píxeles (<1% de error), pero resultaron en una recuperación deficiente del WFE (~30% de error relativo), ya que las características no paramétricas aprendidas directamente de los datos no se alineaban con la verdad física subyacente.

Metodología
Los autores proponen un nuevo escenario de optimización para el modelo de PSF semiparamétrico WaveDiff. WaveDiff representa la PSF en el espacio del frente de onda combinando un componente paramétrico (basado en polinomios de Zernike) y un componente no paramétrico (NP) aprendible. La innovación central radica en el puente entre estos dos componentes mediante la proyección de características del frente de onda.

La metodología propuesta introduce cinco modificaciones clave al proceso de optimización estándar de WaveDiff:

1. Proyección de Características del Frente de Onda: Al final de cada ciclo de optimización, las características del frente de onda NP se proyectan sobre la base paramétrica de Zernike. Esto implica un algoritmo de proyección iterativo (Algoritmo 1) diseñado para manejar la no ortogonalidad de los polinomios de Zernike causada por la máscara de obstrucción del telescopio. Este paso transfiere la información del modelo NP flexible al modelo paramétrico con base física.
2. Aumento de los Ciclos de Optimización: El número de ciclos de optimización se incrementó de 2 a 12 para permitir que el algoritmo escape de los mínimos locales y converja hacia el mínimo global.
3. Reinicialización No Paramétrica: Después de cada proyección, el modelo NP se reinicializa. Esto evita que el modelo se estanque en un mínimo local y permite que explore nuevas regiones del paisaje de optimización en el ciclo subsiguiente.
4. Aseguramiento de la Convergencia: El número de épocas por ciclo se mantuvo en los niveles originales para asegurar que el modelo NP converja antes de la proyección, a pesar del mayor costo computacional.
5. Estrategia de Optimización: El componente paramétrico no se optimiza directamente mediante el descenso de gradiente en los datos en foco (debido a la alta degeneración). En su lugar, sirve como un repositorio para la información proyectada del componente NP, el cual es optimizado para la precisión en el espacio de píxeles.

Contribuciones Clave

• Nuevo Marco de Optimización: El artículo presenta un método para restringir el campo WFE subyacente utilizando únicamente observaciones en foco, aprovechando la diversidad espacial de la PSF a través del FOV.
• Algoritmo de Proyección Iterativa: Se desarrolla un algoritmo específico para proyectar mapas de frente de onda arbitrarios sobre una base de Zernike obstruida, corrigiendo la pérdida de ortogonalidad debida a la obstrucción del telescopio.
• Puente entre Modelos Paramétricos y No Paramétricos: El trabajo demuestra cómo combinar eficazmente la interpretabilidad física de los modelos paramétricos con la flexibilidad del aprendizaje no paramétrico.

Resultados Experimentales
Los autores evaluaron el nuevo marco utilizando simulaciones basadas en las especificaciones de la misión Euclid, generando 2,400 observaciones estelares en foco con variaciones en sus relaciones señal-ruido.

• Recuperación del WFE: El nuevo método redujo el error de recuperación del WFE relativo de aproximadamente un 30% (WaveDiff original) a aproximadamente un 3.4% (usando solo la parte paramétrica del nuevo modelo) y un 6.4% (usando el modelo completo). Esto representa una mejora de diez veces.
• Desempeño en el Espacio de Píxeles: La recuperación de la PSF en el espacio de píxeles se mantuvo altamente precisa, con un RMSE de baja resolución alrededor de 0.3–0.4% y un RMSE de superresolución alrededor de 0.7%, comparable o ligeramente superior al modelo original.
• Convergencia: Se observó que el error relativo del WFE disminuía constantemente a lo largo de los 12 ciclos de optimización, confirmando la efectividad de la estrategia de proyección y reinicialización.
• Limitación de Estrella Única: Un experimento de control que intentaba recuperar el WFE a partir de una sola estrella en foco resultó en un error relativo de ~100%, reforzando la necesidad de utilizar múltiples estrellas a través del FOV para romper las degeneraciones.

Significancia
El artículo afirma que este trabajo demuestra el primer método para combinar la recuperación de WFE de campo amplio, observaciones policromáticas únicamente en foco y características de frente de onda no paramétricas dentro de un solo marco. Al lograr un error de WFE de ~3% sin requerir observaciones fuera de foco, el método permite un modelado de PSF preciso y el diagnóstico directo de los estados ópticos del telescopio (por ejemplo, detectando fallos de funcionamiento o deformaciones del espejo) utilizando datos de sondeos estándar. Los autores señalan que, si bien la recuperación del WFE ha mejorado significamente, el modelo paramétrico por sí solo ofrece la mejor precisión de WFE, mientras que el modelo completo (incluyendo las características NP) ofrece la mejor representación del espacio de píxeles. El código para reproducir estos resultados se ha puesto a disposición pública.