Closing the loop on-sky with a vector-Zernike wavefront sensor using a convolutional neural network as phase reconstructor

宇宙的模糊与智能相机

想象一下，当你站在一扇波纹荡漾、热气升腾的窗户后面，试图拍摄一只远处萤火虫的清晰照片。这正是天文学家在从地球观测恒星和行星时面临的困境。我们的地球大气层就像一锅湍流的“汤”，空气不断移动并折射光线，将原本锐利的点状光变成模糊的团块。为了解决这个问题，科学家们使用了一种高科技手段，叫做“自适应光学”（adaptive optics）。你可以把它想象成一个神奇的相机，它能每秒钟改变自身透镜（即可变形反射镜）形状数百次，以抵消空气中的晃动，从而恢复图像原本的清晰度。

但为了修正透镜，相机首先需要知道空气是如何“扭动”的。这就是“波前传感器”（wavefront sensor）的工作——它是一只特殊的眼睛，负责测量光线的畸变。一些极其灵敏的传感器非常擅长捕捉微小的扭动，但它们有一个有趣的缺陷：如果空气变得过于剧烈波动，这些传感器就会陷入混乱。这就像一个只有1到12个数字的时钟；如果你把指针转得太快，数字就会发生“回绕”并重新开始，让你无法判断指针是向前还是向后旋转的。这种“回绕”问题意味着，当大气层极其动荡时，这些超灵敏的传感器通常会选择放弃，导致相机再次“失明”。科学家们一直在追问的问题是：我们能否教会计算机去观察这个陷入混乱的传感器，并即便在数字发生回绕的情况下，也能理清真相？

论文的核心思想：教机器人如何“解开”天空

这篇题为《使用卷积神经网络作为相位重建器来闭合基于矢量型Zernike波前传感器的天观测环路》（Closing the loop on-sky with a vector-Zernike wavefront sensor using a convolutional neural network as phase reconstructor）的论文，讲述的是如何教会计算机解决这个“回绕”谜题的故事。由 F. Oyarzún 及其同事领导的研究团队决定使用一种被称为“卷积神经网络”（CNN）的人工智能技术。你可以将 CNN 想象成一位超级聪明的侦探，它不仅一次只看一个线索，而是会扫描整个画面以理解其中的上下文关系。

在过去，科学家使用简单的线性数学方法，将传感器的信号转化为对反射镜的修正。这种方法在空气平静时效果极佳，但当湍流增强时，由于“回绕”问题的存在，数学模型就会失效。该团队提出了一种新方法：不再使用简单的数学计算，而是训练一个神经网络去观察传感器的完整图像，并推测出畸变的形状。这就像教孩子识别一张脸，不是通过单独计数眼睛和鼻子，而是通过观察整张脸。

为了实现这一目标，团队并没有只是盲目地向计算机投喂数据。他们构建了一个非常精细的望远镜及大气虚拟模型，生成了数千个虚假的“湍流之夜”来训练这个 AI。他们还使用了一种名为“课程学习”（curriculum learning）的特殊训练技巧，让 AI 从简单的、平静的夜晚开始学习，然后逐渐过渡到风暴肆虐、混乱不堪的夜晚。他们还发明了一种新的“批改作业”的方法，重点关注捕捉极其微小的细节，因为在天文学中，哪怕是微小的误差也会毁掉整张图像。

天空测试：从模拟到现实

真正的考验发生在他们将这个 AI 带到法国高普罗旺斯天文台（Observatoire de Haute-Provence）实地观测时。他们将这套新系统连接到了一台配备了“矢量型 Zernike 波前传感器”（v-ZWFS）的望远镜上，这是一种旨在观测暗弱恒星的超灵敏眼睛。目标是观察当空气环境恶劣时，AI 能否保持望远镜反射镜的稳定与清晰——在这些条件下，传统的简单数学方法会彻底失效。

结果令人兴奋。在模拟实验中，该 AI 处理的湍流强度可以达到传统线性方法处理能力的 80 倍。当应用于真实天空时，AI 证明了自己的价值。在好几次传统线性方法因无法应对而导致图像模糊的情况下，AI 依然维持了环路的闭合，并产生了清晰锐利的图像。

在一个特别令人印象深刻的测试中，他们尝试仅使用这款灵敏的传感器作为“引导”，让它在没有任何第一阶段传感器辅助的情况下，直接面对大气的全力冲击。通常情况下，由于湍流过强，这是不可能完成的任务。但凭借 AI 的力量，他们成功获得了 46.2% 的清晰度评分（称为斯特列尔比，Strehl ratio）。这几乎达到了使用传统两阶段系统时的水平。事实上，在许多情况下，该 AI 甚至超越了传统方法，在两者都能正常工作的情况下，AI 产生的图像清晰度（斯特列尔比为 32.7%）高于传统方法（22.0%）。

这意味着什么

这篇论文表明，通过使用完全在计算机模拟中训练的神经网络，我们可以将这些超灵敏传感器的有效应用范围扩展到其原始设计极限之外。作者发现，AI 不仅仅是在“猜测”；它成功地“解开了”那些令人困惑的信号，使得望远镜能够比以往任何时候都更好地应对更强的湍流。

他们明确排除了“简单线性数学足以应对此类情况”的观点；论文证明了对于大幅度的畸变，线性方法无法收敛，而非线性的 AI 则可以成功。由于这些发现不仅是在模拟中完成，而且在真实的天空观测中得到了验证，因此研究结论具有很高的可信度。研究人员指出，这不仅仅是一个小小的改进，而是一次根本性的转变，它可能让未来的巨型望远镜即使在最恶劣的夜晚，也能使用它们最灵敏的眼睛，从而为观测遥远而暗淡的世界开启新的可能性。