Point spread function wavefront recovery from in-focus stellar observations

Resumo Técnico: Recuperação da Frente de Onda da Função de Espalhamento de Ponto a partir de Observações Estelares em Foco

Enunciado do Problema
A modelagem precisa da Função de Espalhamento de Ponto (PSF) é crítica para a cosmologia de precisão, particularmente para estudos de lentes gravitacionais fracas conduzidos por telescópios espaciais de campo amplo (ex: Euclid, Observatório Vera C. Rubin, Nancy Grace Roman). A PSF varia espacialmente através do campo de visão (FOV), com o comprimento de onda e ao longo do tempo. Embora modelos não paramétricos tenham demonstrado sucesso na reconstrução da PSF no espaço de pixels, eles frequentemente falham em recuperar o campo de Erro de Frente de Onda (WFE) com alta fidelidade.

O desafio específico abordado neste trabalho é a recuperação do campo de WFE a partir de observações estelares em foco, policromáticas e subamostradas. Este é um problema inverso mal posto porque as PSFs em foco colapsam em regiões pequenas no plano focal, perdendo significativa informação de fase em comparação com observações fora de foco (diversidade de fase). Tentativas anteriores usando o modelo semiparamétrico WaveDiff alcançaram uma excelente recuperação de PSF no espaço de pixels (<1% de erro), mas resultaram em uma recuperação de WFE pobre (~30% de erro relativo), pois as características não paramétricas aprendidas diretamente dos dados não se alinhavam com a verdade física subjacente.

Metodologia
Os autores propõem um novo cenário de otimização para o modelo de PSF semiparamétrico WaveDiff. O WaveDiff representa a PSF no espaço da frente de onda combinando um componente paramétrico (baseado em polinômios de Zernike) e um componente não paramétrico (NP) aprendível. A inovação central reside em unir esses dois componentes através da projeção de características da frente de onda.

A metodologia proposta introduz cinco modificações fundamentais ao processo de otimização padrão do WaveDiff:

1. Projeção de Características da Frente de Onda: Ao final de cada ciclo de otimização, as características de frente de onda NP são projetadas na base paramétrica de Zernike. Isso envolve um algoritmo de projeção iterativo (Algoritmo 1) projetado para lidar com a não ortogonalidade dos polinômios de Zernike causada pela máscara de obstrução do telescópio. Esta etapa transfere informação do modelo NP flexível para o modelo paramétrico fisicamente fundamentado.
2. Aumento dos Ciclos de Otimização: O número de ciclos de otimização foi aumentado de 2 para 12 para permitir que o algoritmo escape de mínimos locais e convirja para o mínimo global.
3. Reinicialização Não Paramétrica: Após cada projeção, o modelo NP é reinicializado. Isso evita que o modelo estagne em um mínimo local e permite que ele explore novas regiões do panorama de otimização no ciclo subsequente.
4. Garantia de Convergência: O número de épocas por ciclo é mantido nos níveis originais para garantir que o modelo NP convirja antes da projeção, apesar do aumento do custo computacional.
5. Estratégia de Otimização: O componente paramétrico não é otimizado diretamente via gradiente descendente nos dados em foco (devido à alta degenerescência). Em vez disso, ele serve como um repositório para a informação projetada do componente NP, que é otimizado para precisão no espaço de pixels.

Principais Contribuições

• Novo Framework de Otimização: O artigo apresenta um método para restringir o campo de WFE subjacente usando apenas observações em foco, aproveitando a diversidade espacial da PSF através do FOV.
• Algoritmo de Projeção Iterativa: Um algoritmo específico foi desenvolvido para projetar mapas de frente de onda arbitrários sobre uma base de Zernike obstruída, corrigindo a perda de ortogonalidade devido à obstrução do telescópio.
• União de Modelos Paramétricos e Não Paramétricos: O trabalho demonstra como combinar efetivamente a interpretabilidade física dos modelos paramétricos com a flexibilidade do aprendizado não paramétrico.

Resultados Experimentais
Os autores avaliaram o novo framework utilizando simulações baseadas nas especificações da missão Euclid, gerando 2.400 observações estelares em foco com variadas relações sinal-ruído.

• Recuperação de WFE: O novo método reduziu o erro de recuperação de WFE relativo de aproximadamente 30% (WaveDiff original) para aproximadamente 3,4% (usando apenas a parte paramétrica do novo modelo) e 6,4% (usando o modelo completo). Isso representa uma melhoria de dez vezes.
• Desempenho no Espaço de Pixels: A recuperação da PSF no espaço de pixels permaneceu altamente precisa, com RMSE de baixa resolução em torno de 0,3–0,4% e RMSE de super-resolução em torno de 0,7%, comparável ou ligeiramente superior ao modelo original.
• Convergência: O erro relativo de WFE foi observado diminuindo constantemente ao longo dos 12 ciclos de otimização, confirmando a eficácia da estratégia de projeção e reinicialização.
• Limitação de Estrela Única: Um experimento de controle tentando recuperar o WFE de uma única estrela em foco resultou em aproximadamente 100% de erro relativo, reforçando a necessidade de usar múltiplas estrelas através do FOV para quebrar degenerescências.

Significância
O artigo afirma que este trabalho demonstra o primeiro método para combinar recuperação de WFE de campo amplo, observações policromáticas apenas em foco e características de frente de onda não paramétricas dentro de um único framework. Ao alcançar ~3% de erro de WFE sem exigir observações fora de foco, o método permite a modelagem precisa da PSF e o diagnóstico direto do estado óptico do telescópio (ex: detecção de falhas ou deformações de espelho) usando dados de levantamento padrão. Os autores observam que, embora a recuperação de WFE tenha sido significativamente melhorada, o modelo paramétrico sozinho produz a melhor precisão de WFE, enquanto o modelo completo (incluindo características NP) oferece a melhor representação do espaço de pixels. O código para reproduzir estes resultados foi disponibilizado publicamente.