Un Étudiant De L'université Tsinghua Post-2000 Utilise L'ia Pour Vaincre « L'attaque Magique » De L'atmosphère Et Restaurer La Véritable Apparence De L'univers
L’existence de l’atmosphère est vitale pour la vie sur Terre, mais pour les observations astronomiques, l’atmosphère peut provoquer des phénomènes tels qu’une mauvaise visibilité, une faible vision et une extinction atmosphérique.Même avec les meilleurs télescopes astronomiques terrestres du monde, les images astronomiques obtenues sont floues.Ce flou entraîne parfois des mesures physiques erronées, affectant les progrès des recherches scientifiques des astronomes.
Afin de relever ce défi, récemment, des chercheurs, dont Li Tianao de l'Université Tsinghua et Emma Alexander de l'Université Northwestern aux États-Unis,Un algorithme de vision par ordinateur a été formé à l’aide de données simulées pour affiner et « restaurer » les images astronomiques.L'algorithme a également été adapté aux paramètres d'imagerie de l'observatoire Vera C. Rubin, rendant l'outil directement compatible avec l'observatoire lors de son ouverture l'année prochaine.
Actuellement, les résultats de la recherche, appelés déconvolution d'images de galaxies pour la lentille gravitationnelle faible avec ADMM plug-and-play déroulé,Il a été publié dans les Monthly Notices de la Royal Astronomical Society.
Les résultats de la recherche ont été publiés dans les Monthly Notices of the Royal Astronomical Society
Adresse du document :
https://academic.oup.com/mnrasl/article/522/1/L31/7075894
Détails de l'expérience : Utilisation d'algorithmes d'IA pour « démystifier » les images astronomiques
Dans cet article, l'équipe de recherche a comparé les méthodes de déflochage classiques et modernes sur des données de simulation réelles, notamment les erreurs d'ellipticité, le temps de calcul et la sensibilité aux erreurs PSF. Les résultats montrent queUnrolled-ADMM réduit l'erreur de 38,6% par rapport à la méthode de défloquage traditionnelle et de 7,4% par rapport à la méthode moderne.
Adresse GitHub des méthodes modernes :
https://github.com/lukeli0425/galaxy-deconv
Traitement d'image
Pour comparer les méthodes classiques et former les réseaux neuronaux, une image de vérité terrain propre doit être associée au vrai PSF et à l'image floue bruyante. à cette fin,Les chercheurs ont utilisé Galsim (boîte à outils modulaire de simulation d'images de galaxies) et COSMOS (ensemble de données de galaxies réelles COSMOS) pour simuler des observations au sol et créer des ensembles de données expérimentales.
Galsim :
https://github.com/GalSim-developers/GalSim
Ensemble de données de galaxies réelles COSMOS :
https://doi.org/10.5281/zenodo.3242143
Les images originales sont recadrées et pivotées de manière aléatoire pour simuler des effets de lentille faibles, puis elles sont convolutées avec des PSF atmosphériques et optiques aléatoires et mises à l'échelle en luminosité avant d'ajouter du bruit gaussien. Enfin, toutes les images sont sous-échantillonnées à l’échelle de pixels du LSST.
L'ensemble de données est désormais disponible sur le site officiel d'HyperAI :
https://hyper.ai/datasets/23544
Formation des réseaux neuronaux
Les chercheurs ont utilisé l'optimiseur Adam pour entraîner 40 000 échantillons sur un GPU NVIDIA GeForce RTX 2080 Ti.La fonction de perte L1 multi-échelle a été utilisée pour former les images de vérité terrain et les images reconstruites pour 50 époques.Un réseau distinct a été formé pour chaque nombre d'itérations (N = 2, 4, 8), avec ResUNet comme plugin de débruitage (17 007 744 paramètres).Introduction de la connexion par saut dans le réseau neuronal,Cela peut éviter la disparition ou l’explosion des gradients causés par l’augmentation du nombre d’itérations et l’approfondissement du réseau neuronal. en même temps,Entraînez un CNN (80 236 paramètres) pour apprendre l'hyperparamètre de taille de pas.
Lors de l'entraînement du réseau neuronal,Les chercheurs ont utilisé PyTorch,Fournit simultanément des outils de génération de jeux de données et d'analyse comparative.
Adresse GitHub :
https://github.com/Lukeli0425/Galaxy-Deconv
Performances à différents niveaux de rapport signal/bruit
Les chercheurs ont testé la méthode proposée à différents niveaux de SNR et ont comparé ses performances avec d’autres algorithmes (comme le montre la figure ci-dessous). On peut constater qu'à de faibles rapports signal/bruit, l'algorithme de Richardson-Lucy produit un résultat de reconstruction plus bruyant, oùLa galaxie se perdra progressivement dans le motif bruyant de l’arrière-plan.
Bien que les méthodes modernes puissent supprimer le bruit de fond,Mais cela déformera la forme de la galaxie.Cela est particulièrement visible lorsque le rapport signal/bruit est faible. Les chercheurs ont utilisé la suite FPFS pour l'estimation de l'ellipticité, combinée à un PSF connu pour le filtrage inverse, ou ont utilisé un PSF à point unique comme estimateur stable sans filtrage inverse, qui a été appliqué à la sortie de toutes les méthodes de déconvolution impliquées dans cet article.
À mesure que le rapport signal/bruit diminue,À l’exception de l’ADMM déroulé proposé dans cet article, toutes les méthodes deviennent progressivement inefficaces.
Comme le montre la figure ci-dessus, à mesure que le rapport signal/bruit diminue,Le réseau neuronal ADMM déroulé à 8 itérations proposé dans l'article présente les meilleures performances dans différents rapports signal/bruit.
Compromis temps-performance
Comme le montre la figure ci-dessous, les rapports signal/bruit des images de galaxies correspondant aux trois images sont respectivement de 20, 40 et 100. Les barres d'erreur indiquent 5 fois l'erreur standard et les chiffres entre parenthèses indiquent le nombre d'itérations.
La méthode ADMM déroulée à 8 itérations proposée dans l'article montre de meilleures performances et une variance plus faible que d'autres méthodes à différents niveaux de rapport signal/bruit.Mais le coût est un temps de calcul plus long.
Robustesse aux erreurs systématiques dans PSF
Dans les observations réelles, le PSF au centre d'une galaxie est calculé en interpolant les PSF mesurés par les étoiles. Cependant, la variance spatiale du PSF dans le champ de vision est souvent difficile à modéliser. Par conséquent, l’interpolation ne peut pas reconstruire avec précision le PSF effectif entre les galaxies.Cela nécessite que l’algorithme de déconvolution soit robuste aux erreurs systématiques dans le PSF.
Comme le montre la figure ci-dessous, la figure de gauche correspond à l'erreur de cisaillement dans le PSF supposé, et la figure de droite correspond à l'erreur de taille (FWHM) dans le PSF. La barre de dessin animé sous l’axe horizontal peut afficher visuellement l’erreur systématique du PSF.
Les méthodes ADMM déroulées et classiques proposées par les chercheurs sont plus sensibles à l’inadéquation des modèles.Lorsque l'erreur PSF est importante, l'ADMM déroulé fonctionne de manière comparable ou supérieure aux méthodes modernes.
Études d'ablation
En modifiant la structure du réseau et en le recyclant,Les chercheurs ont isolé les effets des choix de conception individuels sur l’ADMM déroulé.Comme le montre la figure ci-dessous, le changement de la fonction de perte de la perte multi-échelle proposée vers la perte de forme (comme indiqué dans la ligne pointillée cyan) ou MSE (comme indiqué dans la ligne continue cyan) dégradera légèrement les performances ; la suppression du sous-réseau hyperparamétrique (ligne pointillée violette) ou des couches itératives ultérieures dégradera les performances à un SNR élevé ; l'entraînement du débruiteur sans déconvolution (entraînement de type ADMMNet) dégradera considérablement les performances.
Grâce à des expériences, cette étude a obtenu les résultats ci-dessus.Toutefois, les chercheurs suggèrent que des améliorations futures peuvent encore être apportées dans les domaines suivants :
* Considérer et résoudre les erreurs d’ordre supérieur dans le PSF pour obtenir de meilleures performances ;
* Les données de simulation peuvent être améliorées avec des modèles optiques LSST PSF plus précis et des modèles génératifs plus réalistes ;
* L'interpolation PSF peut être incluse dans le pipeline et combinée avec une déconvolution de bas rang.
à l'heure actuelle,Le code permettant de régénérer les données simulées pour cette étude et le lien vers le jeu de données ont été rendus open source.
Le meilleur étudiant de l'Université Tsinghua combine parfaitement ses intérêts avec la recherche scientifique
Il convient de noter que le premier auteur de cet article, Li Tianao,Études de premier cycleDépartement de génie électronique, Université Tsinghua.Selon son site Web personnel, il a travaillé comme assistant de recherche au laboratoire d'intelligence visuelle et d'imagerie computationnelle de l'université Tsinghua.Je travaille actuellement comme stagiaire de recherche au laboratoire de vision biologiquement inspirée de l'Université Northwestern.Étudié sous la direction d'Emma Alexander (deuxième auteur de cet article).
Selon les rapports, il se concentre principalement sur l'intersection de l'imagerie computationnelle, de la vision par ordinateur, du traitement du signal, de l'optimisation et de l'apprentissage automatique, en particulier sur la résolution de problèmes inverses en imagerie, l'apprentissage automatique guidé par la physique et la recherche en imagerie astronomique.
De nos jours, l’IA scientifique émerge dans tous les domaines, et l’astronomie ne fait pas exception.L’augmentation de la puissance de calcul et l’avènement de l’ère du big data ont apporté davantage de possibilités au domaine de l’astronomie, qui nécessitait à l’origine une puissance de calcul énorme.
Des scientifiques japonais utilisent un télescope intelligent piloté par l'IA pour classer les objets dans l'espace, aidant les physiciens à écrire et à tester des hypothèses. Des astronomes indiens ont créé un nouvel algorithme d'IA pour identifier environ 60 planètes qui pourraient être habitables pour les humains parmi les 5 000 planètes connues. Un groupe d’astronomes a utilisé l’IA pour la première fois dans une étude sur les fusions de galaxies, confirmant que les fusions de galaxies conduisent à des explosions d’étoiles.Tencent et l'Observatoire astronomique national ont lancé le « Star Exploration Project » pour améliorer l'efficacité de l'exploration des étoiles...
De plus en plus d’astronomes utilisent l’IA comme un puissant outil d’exploration. Comme l'a déclaré Li Qi, chercheur à l'Observatoire astronomique national de l'Académie chinoise des sciences et scientifique en chef du FAST,Demander si l’astronomie utilise l’apprentissage automatique, l’apprentissage profond et d’autres technologies, c’est comme demander si l’astronomie utilisait des ordinateurs il y a 20 ans.