Optimal mitigation of random telegraph noise for improved photometry at high frame rates

Resumo Técnico: Mitigação Ótima do Ruído Telegráfico Aleatório para Fotometria Aprimorada em Altas Taxas de Quadros

Declaração do Problema
O Ruído Telegráfico Aleatório (RTN), também conhecido como ruído "sal-e-pimenta" ou ruído de pipoca, é uma fonte significativa de ruído de leitura em sensores de imagem de Semicondutor de Óxido Metal-Complementar (CMOS) utilizados em astronomia. Embora os sensores CMOS científicos (sCMOS) geralmente ofereçam ruído de leitura inferior aos Dispositivos de Carga Acoplada (CCD) tradicionais, a presença de RTN degrada essa vantagem, particularmente em aplicações de alta taxa de quadros e baixo fluxo. O RTN surge da captura e liberação de elétrons por armadilhas de portadores próximas à interface Si/SiO2 em transistores seguidores de fonte. Em pixels com RTN, o nível de polarização flutua entre estados discretos, criando uma cauda longa na distribuição do ruído de leitura. Isso aumenta significativamente o ruído de leitura Raiz Quadrática Média (RMS), mesmo que o ruído de leitura mediano permaneça baixo, reduzindo assim a Razão Sinal-Ruído (SNR) para fontes fracas. Estratégias de mitigação existentes, como o mascaramento de pixels defeituosos ou a aplicação de filtros medianos simples, frequentemente falham em considerar as distribuições específicas de nível de polarização de pixels individuais, podem degradar a precisão fotométrica quando a Função de Espalhamento do Ponto (PSF) é subamostrada, ou podem introduzir vieses sistemáticos.

Metodologia
Os autores investigaram três sensores CMOS comercialmente disponíveis utilizados em instrumentos astronômicos: o Sony IMX455 (em câmeras QHY600M), o Gpixel GSENSE400 (em câmeras QHY42) e o Fairchild Imaging HWK4123 (em câmeras Hamamatsu ORCA-Quest 2).

1. Caracterização: A equipe coletou milhares de quadros de polarização para medir o ruído de leitura e identificar pixels com RTN. Eles utilizaram um teste de normalidade de Anderson-Darling para detectar distribuições de polarização não gaussianas. Para pixels que falharam neste teste, eles ajustaram um modelo de tripla gaussiana para caracterizar a distribuição do nível de polarização, extraindo parâmetros para a gaussiana central (média $\mu_b$, desvio padrão $\sigma_r$) e os picos laterais representando saltos de RTN (amplitudes $B_1, B_2$ e espaçamento do salto $d$).
2. Algoritmo de Correção: Um novo algoritmo baseado em Python foi desenvolvido para identificar e corrigir saltos de RTN em uma base por pixel e por quadro.
   • Geração de Referência: O algoritmo estima o nível de sinal esperado para um pixel usando ou uma mediana temporal (para dados de série temporal) ou uma mediana espacial (para quadros únicos), ajustado para os parâmetros de polarização específicos do pixel.
   • Identificação de Saltos: Usando uma função de densidade cumulativa (CDF) Poisson-Gaussiana, o algoritmo calcula limiares de significância ($\alpha = 0.003$) para determinar se o sinal de um pixel se desvia significativamente da gaussiana central esperada, levando em conta o viés à direita inerente às estatísticas de Poisson.
   • Correção: Se um salto for identificado, o sinal é deslocado pela magnitude do salto $d$ (convertida em elétrons). O algoritmo inclui uma etapa de correção de polarização para evitar a inflação artificial de valores de fluxo médio causada pela correção assimétrica de saltos positivos versus negativos.
3. Validação: Os autores compararam seu algoritmo contra uma estratégia simples de "mascaramento" (tratando pixels com RTN como defeituosos) usando simulações de Monte Carlo e observações astronômicas reais. Os testes do mundo real incluíram fotometria de campo estelar e um evento de ocultação de asteroide observado com a rede de pequenos telescópios do Observatório Las Cumbres (LCO).

Principais Contribuições

• Quantificação do Impacto do RTN: O estudo quantifica a contribuição do RTN para o piso total de ruído de leitura. Para o Sony IMX455, o RTN aumenta o ruído de leitura RMS em $\gtrsim 20\%$. Para o GSENSE400 e o HWK4123, os aumentos são menores ($\gtrsim 4\%$ e $\gtrsim 2.5\%$, respectivamente), embora ainda relevantes para aplicações de ultra-baixo ruído.
• Desenvolvimento de Algoritmo: Os autores apresentam um algoritmo de correção robusto, por pixel, que se adapta à distribuição específica de nível de polarização de cada pixel com RTN e ao fluxo de fótons local, evitando as armadilhas de métodos de limiar fixo.
• Análise Comparativa: O artigo fornece uma comparação detalhada entre o algoritmo de correção proposto e o mascaramento de pixels, demonstrando que o algoritmo supera o mascaramento, particularmente quando a PSF é subamostrada, pixels mascarados estão próximos ao centro da fonte, ou o ruído de leitura é comparável ao ruído de disparo.
• Software de Código Aberto: Os autores lançaram o conjunto de softwares RTN-Corrector, incluindo scripts para identificar pixels com RTN (rtn_fitter) e aplicar correções (rtn_fixer), tornando essas técnicas acessíveis à comunidade astronômica.

Resultados

• Simulação: Simulações de Monte Carlo mostraram que o algoritmo de correção melhorou consistentemente a SNR em comparação com o mascaramento. O mascaramento foi encontrado degradando a SNR em casos onde pixels com RTN caíam perto do núcleo de uma fonte, especialmente para PSFs subamostradas.
• Fotometria Estelar: Em observações de um campo estelar usando o IMX455, tanto o algoritmo de correção quanto o mascaramento melhoraram a SNR das curvas de luz em uma média de $>5\%$ para fontes fracas ($< 3 e^-$/pix/quadro). O algoritmo de correção mostrou menor variância no desempenho e manteve a precisão fotométrica absoluta, enquanto o mascaramento tendeu a subestimar o brilho.
• Ocultação de Asteroide: Durante uma ocultação do asteroide troiano Anchises, o algoritmo de correção reduziu os resíduos RMS do ajuste da curva de luz em $\approx 7\%$ e corrigiu uma superestimação sistemática da profundidade da ocultação causada por um desequilíbrio de saltos de RTN negativos durante o evento.
• Especificidades do Sensor: O estudo notou que o IMX455 exibiu distribuições simétricas de RTN (saltos positivos e negativos), enquanto o GSENSE400 e o HWK4123 mostraram distribuições altamente assimétricas (majoritariamente saltos positivos) e magnitudes de salto menores. O design de ultra-baixa capacitância do HWK4123 resultou em saltos de RTN menores que um único fotoelétron em muitos casos, limitando a eficácia da correção pós-processamento para aquele sensor específico.

Significado e Alegações
O artigo alega que a mitigação do RTN é essencial para realizar o potencial completo dos sensores sCMOS, particularmente para fotometria de alta velocidade e observações de objetos fracos onde o ruído de leitura domina. Os autores afirmam que seu algoritmo fornece um método confiável para recuperar a precisão fotométrica que seria perdida para o RTN, oferecendo uma alternativa superior ao simples mascaramento de pixels. Eles enfatizam que, embora o mascaramento seja eficaz em regimes específicos (PSFs bem amostradas, dominado por ruído de leitura), o algoritmo de correção oferece melhorias mais consistentes em uma gama mais ampla de condições, incluindo PSFs subamostradas e brilho de fonte variável. O trabalho é apresentado como uma ferramenta prática para astrônomos que utilizam detectores com RTN, oferecendo um aumento imediato na qualidade dos dados sem exigir alterações de hardware. Os autores também observam que a mitigação do RTN é particularmente saliente para telescópios espaciais, onde danos por radiação são conhecidos por aumentar a prevalência de RTN.