Благодаря системам адаптивной оптики за последние 30 лет эта проблема была частично решена, что позволило добиться качества изображения на крупнейших телескопах, сравнимого с космическим.
Однако даже адаптивная оптика сама по себе не может решить всех проблем. Особенно при наблюдении очень слабых и удаленных объектов. Поэтому в течение многих лет разрабатывались различные методы устранения эффекта размытия, вызванного атмосферой, с более или менее утешительными результатами.
Однако недавнее исследование, ставшее результатом совместной работы Северо-Западного университета и Университета Цинхуа в Пекине, может открыть новый взгляд на эту давнюю проблему. И, как это все чаще случается, оно основано на использовании искусственного интеллекта.
Очистка изображений
Для очистки астрономических изображений от эффекта размытия группа исследователей применила алгоритм глубокого обучения на основе конволюционных нейронных сетей. Конволюционные нейронные сети — это нейронные сети, которые могут работать непосредственно с изображениями в качестве входных данных, автоматически определяя соответствующие признаки и закономерности.
В данном случае используемая модель перерабатывает изображения и восстанавливает их в «очищенном» виде, т.е. так, как они выглядели бы без фильтра атмосферы. Интересно, что исследование основано на моделировании данных обсерватории «Вера Рубин» — строящегося в Чили крупнопольного телескопа, который должен увидеть свой первый свет в 2024 году.
В случае обсерватории «Вера Рубин» крайне важно получить максимально чистые изображения, поскольку эффекты размытия особенно сильно влияют на возможность проведения измерений гравитационных эффектов и линзирования.
В этом смысле решение об использовании имитационных изображений конкретного прибора также понятно. На самом деле такая модель не может работать без разбора для любого телескопа и в любом месте. Поведение атмосферы слишком сильно отличается от места к месту, а каждый телескоп — это своя история.
Поэтому необходимо соответствующим образом калибровать модель в зависимости от инструмента, к которому предполагается ее применить, и местных условий, в которых он работает. Разумеется, цель исследования — «проложить путь» к обсерватории имени Веры Рубин.
Проблема решена?
Полученные результаты выглядят обнадеживающе. Исследовательская группа отметила улучшение того показателя, который астрономы называют отношением сигнал/шум (SNR). Это показатель качества астрономического наблюдения, определяемый соотношением между амплитудой сигнала и связанным с ним шумом, который может быть физическим или инструментальным. По сравнению с другими методами размытия он составляет от 38,6 до 7,4%.
С другой стороны, эта стратегия не лишена риска. Очевидно, что выбор в пользу моделирования изображений влечет за собой сильную зависимость от модели, используемой для моделирования. Иными словами, если данные недостаточно точны, то прогнозы, очевидно, будут смещены.
С другой стороны, та же реконструкция данных с помощью глубокого обучения рискует оказаться палкой о двух концах: такие модели действительно удаляют шум, реконструируя определенные участки изображения, но есть риск, что в реконструкцию будут внесены несуществующие закономерности, особенно в отсутствие прочной базы знаний на этапе обучения.
Как всегда, при интерпретации результатов машинного обучения следует быть предельно осторожным. В любом случае, исследования в этой области имеют фундаментальное значение, поскольку предлагают решение проблемы, характеризующейся физическими и инструментальными ограничениями, которые в противном случае были бы непроходимы.
Наконец, следует отметить, что авторы исследования сделали код полностью открытым (с ним можно ознакомиться ). Поэтому любой желающий может воспользоваться им или внести свой вклад в его развитие.
С результатами исследования, опубликованными в журнале Monthly Notices of the Royal Astronomical Society, можно ознакомиться .