Boffins از ترفندهای یادگیری ماشینی برای ایجاد یک سوئیچ کاهش نور ستاره استفاده می کند

دانشمندان راهی برای حذف نور ستارگان از تصاویر تلسکوپ ابداع کرده اند که در آزمایشات روی داده های تلسکوپ فضایی جیمز وب، حساسیت به سیارات فراخورشیدی ضعیف را تا 15 برابر بهبود بخشید.

تیمی به رهبری رودریگو فرر چاوز از دانشگاه نورث وسترن، یک مدل تلسکوپ مبتنی بر فیزیک را با تکنیک‌های بهینه‌سازی مورد استفاده در یادگیری ماشین ترکیب کردند تا نور ناخواسته ستاره‌ها را کم کنند.

تصویربرداری مستقیم از سیارات فراخورشیدی همچنان دشوار است زیرا تابش خیره کننده ستارگان میزبان آنها می تواند نور ضعیف آنها را تحت تأثیر قرار دهد. تکنیک‌های موجود نور ستاره‌های مدل‌سازی‌شده یا مرجع را کم می‌کنند، اما تغییرات کوچک در اپتیک تلسکوپ می‌تواند تابش خیره‌کننده باقی‌مانده‌ای باقی بگذارد که سیارات را پنهان می‌کند.

چارچوب یادگیری مبتنی بر فیزیک برای سیارات تصویربرداری (FLIP) این تیم نحوه عبور نور از تلسکوپ را مدل‌سازی می‌کند، نقص‌های نوری را تنظیم می‌کند و تابش خیره‌کننده را شبیه‌سازی می‌کند.

با اعمال مشاهدات دوربین مادون قرمز نزدیک وب (NIRCam)، FLIP اولین تصویر از سیاره غول پیکر شناخته شده 51 Eridani b را در طول موج مادون قرمز 4.3 میکرومتر، که در آن پردازش معمولی شکست خورده بود، تولید کرد. بر اساس مقاله نیچر، آزمایش‌ها بهبود حساسیت دو تا ۱۵ برابری را نسبت به تکنیک‌های معمولی نشان دادند.

این مقاله می‌گوید: "بر اساس اطلاعات ما، این اولین بار است که چنین رویکردی حساسیت بهبود یافته‌ای را در تصویربرداری واقعی و روی آسمان نشان می‌دهد. چارچوب ما را می‌توان به دیگر رصدخانه‌های زمینی و فضایی فعلی و آینده گسترش داد... به طور بالقوه نیازهای پایداری بی‌سابقه‌ای را که برای موفقیت این کارها لازم است، آرام می‌کند."

کار بیشتر شامل کاهش نیازهای محاسباتی و توسعه راه هایی برای رسیدگی به حجم داده های بسیار بزرگتر تولید شده توسط مشاهدات زمینی است.

محققان امیدوارند که توسعه و آزمایش بیشتر، تصاویر مستقیم سیارات مشابه زمین را نزدیک‌تر کند و در عین حال میزان ناپایداری‌های تلسکوپ کوچک را کاهش دهد. ®