Ein Student Der Tsinghua-Universität Nach Den 2000er Jahren Nutzt KI, Um Den „magischen Angriff“ Der Atmosphäre Abzuwehren Und Das Wahre Erscheinungsbild Des Universums Wiederherzustellen
Die Existenz der Atmosphäre ist für das Leben auf der Erde lebenswichtig, bei astronomischen Beobachtungen kann die Atmosphäre jedoch Phänomene wie schlechte Sicht, eingeschränkte Sicht und atmosphärische Auslöschung verursachen.Selbst mit den besten erdgebundenen astronomischen Teleskopen der Welt sind die aufgenommenen astronomischen Bilder unscharf.Diese Unschärfe führt manchmal zu fehlerhaften physikalischen Messungen und beeinträchtigt den wissenschaftlichen Forschungsfortschritt der Astronomen.
Um dieser Herausforderung zu begegnen, haben Forscher, darunter Li Tianao von der Tsinghua-Universität und Emma Alexander von der Northwestern University in den USA, kürzlichMithilfe simulierter Daten wurde ein Computer-Vision-Algorithmus trainiert, um astronomische Bilder zu schärfen und „wiederherzustellen“.Der Algorithmus wurde außerdem an die Bildparameter des Vera C. Rubin Observatory angepasst, sodass das Tool direkt mit dem Observatorium kompatibel ist, wenn es nächstes Jahr eröffnet wird.
Derzeit sind die Forschungsergebnisse, genannt Galaxy Image Dekonvolution für schwache Gravitationslinsen mit entrolltem Plug-and-Play ADMM,Es wurde in den Monthly Notices of the Royal Astronomical Society veröffentlicht.
Die Forschungsergebnisse wurden in den Monthly Notices of the Royal Astronomical Society veröffentlicht.
Papieradresse:
https://academic.oup.com/mnrasl/article/522/1/L31/7075894
Details des Experiments: Verwendung von KI-Algorithmen zur „Entmystifizierung“ astronomischer Bilder
In diesem Artikel hat das Forschungsteam klassische und moderne Methoden zur Entschärfung anhand realer Simulationsdaten verglichen, einschließlich Elliptizitätsfehlern, Rechenzeit und Empfindlichkeit gegenüber PSF-Fehlern. Die Ergebnisse zeigen, dassUnrolled-ADMM reduziert den Fehler um 38,6% im Vergleich zur herkömmlichen Entschärfungsmethode und um 7,4% im Vergleich zur modernen Methode.
Moderne Methoden GitHub-Adresse:
https://github.com/lukeli0425/galaxy-deconv
Bildverarbeitung
Um klassische Methoden zu vergleichen und neuronale Netzwerke zu trainieren, muss ein sauberes Ground-Truth-Bild mit der wahren PSF und dem verrauschten, unscharfen Bild gepaart werden. zu diesem Zweck,Forscher verwendeten Galsim (modulares Toolkit zur Simulation von Galaxienbildern) und COSMOS (COSMOS Real Galaxy Dataset), um bodengestützte Beobachtungen zu simulieren und experimentelle Datensätze zu erstellen.
Galsim:
https://github.com/GalSim-developers/GalSim
COSMOS-Datensatz realer Galaxien:
https://doi.org/10.5281/zenodo.3242143
Die Originalbilder werden zufällig zugeschnitten und gedreht, um schwache Linseneffekte zu simulieren. Anschließend werden sie mit zufälligen atmosphärischen und optischen PSFs gefaltet und in der Helligkeit skaliert, bevor Gaußsches Rauschen hinzugefügt wird. Schließlich werden alle Bilder auf die Pixelskala von LSST herunterskaliert.
Der Datensatz ist jetzt auf der offiziellen Website von HyperAI verfügbar:
https://hyper.ai/datasets/23544
Training neuronaler Netze
Die Forscher verwendeten den Adam-Optimierer, um 40.000 Samples auf einer NVIDIA GeForce RTX 2080 Ti GPU zu trainieren.Die mehrskalige L1-Verlustfunktion wurde verwendet, um die Ground-Truth-Bilder und rekonstruierten Bilder 50 Epochen lang zu trainieren.Für jede Iterationsanzahl (N=2,4,8) wurde ein separates Netzwerk trainiert, mit ResUNet als Denoising-Plugin (17.007.744 Parameter).Einführung einer Sprungverbindung in ein neuronales Netzwerk,Dadurch können verschwindende oder explodierende Gradienten vermieden werden, die durch die Erhöhung der Anzahl der Iterationen und die Vertiefung des neuronalen Netzwerks verursacht werden. gleichzeitig,Trainieren Sie ein CNN (80.236 Parameter), um den Hyperparameter der Schrittgröße zu lernen.
Während des Trainings des neuronalen NetzwerksDie Forscher verwendeten PyTorch,Bietet gleichzeitig Tools zur Datensatzgenerierung und zum Benchmarking.
GitHub-Adresse:
https://github.com/Lukeli0425/Galaxy-Deconv
Leistung bei unterschiedlichen SNR-Stufen
Die Forscher testeten die vorgeschlagene Methode auf verschiedenen SNR-Ebenen und verglichen ihre Leistung mit anderen Algorithmen (wie in der Abbildung unten dargestellt). Es zeigt sich, dass der Richardson-Lucy-Algorithmus bei niedrigen Signal-Rausch-Verhältnissen ein verrauschteres Rekonstruktionsergebnis liefert, wobeiDie Galaxie geht allmählich im Rauschmuster des Hintergrunds verloren.
Obwohl moderne Methoden Hintergrundgeräusche unterdrücken können,Aber es wird die Form der Galaxie verzerren.Dies ist insbesondere bei niedrigen Signal-Rausch-Verhältnissen auffällig. Die Forscher verwendeten die FPFS-Suite zur Elliptizitätsschätzung, kombiniert mit einer bekannten PSF zur inversen Filterung, oder verwendeten eine Einzelpunkt-PSF als stabilen Schätzer ohne inverse Filterung, der auf die Ausgabe aller in diesem Artikel verwendeten Dekonvolutionsmethoden angewendet wurde.
Wenn das SNR abnimmt,Mit Ausnahme des in diesem Dokument vorgeschlagenen ungerollten ADMM werden alle Methoden allmählich unwirksam.
Wie in der Abbildung oben gezeigt, sinkt das SNR,Das im Artikel vorgeschlagene neuronale Netzwerk mit 8 Iterationen und entrolltem ADMM weist bei verschiedenen SNRs die beste Leistung auf.
Kompromiss zwischen Zeit und Leistung
Wie in der Abbildung unten gezeigt, betragen die Signal-Rausch-Verhältnisse der Galaxienbilder für die drei Bilder jeweils 20, 40 und 100. Fehlerbalken zeigen das 5-fache des Standardfehlers und Zahlen in Klammern geben die Anzahl der Iterationen an.
Die im Dokument vorgeschlagene 8-Iterationen-Unrolled-ADMM-Methode zeigt bei unterschiedlichen SNR-Stufen eine bessere Leistung und geringere Varianz als andere Methoden.Der Preis hierfür ist jedoch eine längere Rechenzeit.
Robustheit gegenüber systematischen Fehlern in PSF
Bei tatsächlichen Beobachtungen wird die PSF im Zentrum einer Galaxie durch Interpolation der von Sternen gemessenen PSF berechnet. Allerdings ist die räumliche Varianz der PSF im Sichtfeld oft schwer zu modellieren. Daher kann die effektive PSF zwischen Galaxien durch Interpolation nicht genau rekonstruiert werden.Dies erfordert, dass der Dekonvolutionsalgorithmus gegenüber systematischen Fehlern in der PSF robust ist.
Wie in der folgenden Abbildung gezeigt, entspricht die linke Abbildung dem Scherfehler in der angenommenen PSF und die rechte Abbildung dem Größenfehler (FWHM) in der PSF. Der Cartoon-Balken unterhalb der horizontalen Achse kann den systematischen Fehler der PSF visuell darstellen.
Die von den Forschern vorgeschlagenen ungerollten ADMM- und klassischen Methoden reagieren empfindlicher auf Modellfehlanpassungen.Bei großen PSF-Fehlern ist die Leistung von Unrolled-ADMM mit der moderner Methoden vergleichbar oder sogar besser.
Ablationsstudien
Durch Änderung der Netzwerkstruktur und Umschulung,Die Forscher isolierten die Auswirkungen einzelner Designentscheidungen auf das entrollte ADMM.Wie in der folgenden Abbildung gezeigt, wird die Leistung leicht beeinträchtigt, wenn die Verlustfunktion vom vorgeschlagenen Multiskalenverlust in Shape Loss (wie in der cyanfarbenen gestrichelten Linie dargestellt) oder MSE (wie in der cyanfarbenen durchgezogenen Linie dargestellt) geändert wird. Das Entfernen des Hyperparameters SubNet (violette gestrichelte Linie) oder nachfolgender iterativer Schichten verschlechtert die Leistung bei hohem SNR. Das Trainieren des Denoisers ohne Dekonvolution (Training im ADMMNet-Stil) wird die Leistung erheblich beeinträchtigen.
Durch Experimente erzielte diese Studie die oben genannten Ergebnisse.Die Forscher weisen jedoch darauf hin, dass in den folgenden Bereichen noch Verbesserungen möglich sind:
* Berücksichtigen und beheben Sie Fehler höherer Ordnung in der PSF, um eine bessere Leistung zu erzielen.
* Die Simulationsdaten können mit genaueren optischen LSST-PSF-Modellen und realistischeren generativen Modellen verbessert werden.
* PSF-Interpolation kann in die Pipeline aufgenommen und mit Low-Rank-Dekonvolution kombiniert werden.
derzeit,Der Code zur Neugenerierung der simulierten Daten für diese Studie und der Datensatzlink wurden als Open Source bereitgestellt.
Der beste Student der Tsinghua-Universität verbindet Interessen perfekt mit wissenschaftlicher Forschung
Es ist erwähnenswert, dass der Erstautor dieses Artikels, Li Tianao,Grundständiges StudiumFakultät für Elektrotechnik, Tsinghua-Universität.Seiner persönlichen Website zufolge arbeitete er als wissenschaftlicher Mitarbeiter am Visual Intelligence and Computational Imaging Laboratory der Tsinghua-Universität.Arbeitet derzeit als Forschungspraktikant im Biologically Inspired Vision Laboratory der Northwestern University.Studierte bei Emma Alexander (zweite Autorin dieses Artikels).
Berichten zufolge konzentriert er sich hauptsächlich auf die Schnittstelle zwischen rechnergestützter Bildgebung, Computervision, Signalverarbeitung, Optimierung und maschinellem Lernen, insbesondere auf die Lösung inverser Probleme in der Bildgebung, physikalisch orientiertes maschinelles Lernen und astronomische Bildforschung.
Heutzutage findet die wissenschaftliche KI in allen Lebensbereichen Anwendung, und die Astronomie bildet hier keine Ausnahme.Die zunehmende Rechenleistung und der Beginn des Big-Data-Zeitalters haben der Astronomie, die ursprünglich enorme Rechenleistung erforderte, mehr Möglichkeiten eröffnet.
Japanische Wissenschaftler verwenden ein intelligentes, KI-gesteuertes Teleskop, um Objekte im Weltraum zu klassifizieren und Physikern beim Aufstellen und Testen von Hypothesen zu helfen. Indische Astronomen haben einen neuen KI-Algorithmus entwickelt, um unter den 5.000 bekannten Planeten etwa 60 zu identifizieren, die für Menschen bewohnbar sein könnten. Eine Gruppe von Astronomen nutzte erstmals KI in einer Studie über Galaxienverschmelzungen und bestätigte, dass Galaxienverschmelzungen zu Sternexplosionen führen.Tencent und das National Astronomical Observatory haben das „Star Exploration Project“ gestartet, um die Effizienz der Sternenerkundung zu verbessern …
Immer mehr Astronomen nutzen KI als leistungsstarkes Erkundungsinstrument. Li Qi, Forscher am Nationalen Astronomischen Observatorium der Chinesischen Akademie der Wissenschaften und leitender Wissenschaftler von FAST, sagte:Die Frage, ob in der Astronomie maschinelles Lernen, Deep Learning und andere Technologien zum Einsatz kommen, ist etwa so, als würde man fragen, ob in der Astronomie vor 20 Jahren Computer zum Einsatz kamen.