Cofaseado de espejos segmentados con aprendizaje automático

Abstract

Un telescopio dotado con un sistema de óptica adaptativa es capaz de corregir las aberraciones introducidas por la turbulencia atmosférica. El tiempo de integración necesario para alcanzar una determinada relación señal-ruido en dichas circunstancias disminuye con la cuarta potencia del diámetro de la apertura. Existe, por lo tanto, motivación suficiente para construir telescopios de envergadura cada vez mayor. Por razones técnicas y económicas los espejos primarios de los telescopios mayores de 8 metros son divididos en partes más pequeñas, en un proceso que se conoce como segmentación.

A pesar de las muchas ventajas que aporta, la segmentación también añade nuevas complicaciones. En este nuevo escenario, los segmentos requieren de actuadores para ajustar su posición en tres grados de libertad i.e. pistón y tip-tilt. Ajustar el valor del pistón es necesario para evitar que se genere discontinuidad en la fase de la onda tras la reflexión en los segmentos adyacentes. Esta tarea es llamada cofaseado y es el motivo de esta tesis.

Las técnicas de cofaseado más usadas en los grandes telescopios en la actualidad están basadas en el sensor de Shack-Hartmann. Este tipo de procedimientos demanda mucho tiempo para ser configurados ya que es necesario hacer coincidir pequeñas aperturas o prismas con los bordes de cada segmento. Otras técnicas basadas en el sensor de curvatura aportan, junto a precisión, simplicidad en la configuración, y pueden ser optimizadas con aprendizaje automático.

El presente estudio investiga la adaptación de metodologías de aprendizaje automático al problema de cofaseado. Estás técnicas, que han demostrado su eficacia y aplicabilidad en muchas áreas de conocimiento, son capaces de extraer patrones de los datos con el fin de resolver la tarea asignada de la manera más eficiente posible.

Se ha demostrado, mediante simulaciones, la eficacia del uso de redes convolucionales en la detección del salto de pistón presente entre dos segmentos contiguos del espejo primario. Para ello se ha requerido de una única imagen desenfocada de la pupila medida con cuatro longitudes de onda diferentes. La precisión obtenida con este método satisface las condiciones exigidas por los sistemas de óptica adaptativa para su operación.

También ha sido analizado el empleo de arquitecturas de redes recurrentes para extraer valores de saltos de pistón. Este paradigma hace uso añadido de los patrones de regularidad que existen entre diferentes intersecciones de segmentos situados en partes separadas del primario. Se ha mostrado que este enfoque supone una mejora de la exactitud de las predicciones con respecto al método anterior basado únicamente en redes convolucionales.

Por último, se exploran vías alternativas de aprendizaje automático en las que no es necesario un conjunto de datos etiquetados para el entrenamiento. Utilizando métodos de aprendizaje reforzado se ha demostrado que es posible entrenar un algoritmo de cofaseado usando como recompensa el valor máximo de la PSF formada por las intersecciones.