Aprendizaje automático para modelos de PSF basados en el frente de onda

Director(a):

Rey Vega, Leonardo

Institución otorgante:

Universidad de Buenos Aires. Facultad de Ingeniería

Fecha:

2023-08-11

Tipo de documento: 

info:eu-repo/semantics/bachelorThesis
info:ar-repo/semantics/tesis de grado
tesis de grado

Idioma:

spa

Temas:

APRENDIZAJE AUTOMATICO - COSMOLOGÍA - OPTIMIZACION - PROBLEMAS INVERSOS - PROCESAMIENTO DE IMAGENES - PSF - WEAK LENSING

Descripción:

Grado obtenido: Ingeniero/a Electrónico de la Universidad de Buenos Aires
Disciplina: Ingeniería Electrónica
Fil: Centofanti, Ezequiel Tomás. Universidad de Buenos Aires. Facultad de Ingeniería
En astrofísica y cosmología, como en tantos otros dominios de la física, las próximas décadas traerán consigo nuevas generaciones de instrumentos extremadamente potentes, como el telescopio Euclid o el Nancy Grace Roman Space Telescope. Un modelo preciso de la función de dispersión de punto (PSF), caracterización de la respuesta impulsiva del sistema ´óptico, es un requisito fundamental para cumplir con los ambiciosos objetivos cient´ıficos actuales. El método WaveDiff es un modelo semiparamétrico, diferenciable, para la estimación de la PSF basada en observaciones (data driven). Este modelo, desarrollado en el laboratorio CosmoStat, reconstruye la PSF directamente en el espacio de frente de onda y está basado en un modelo óptico completamente diferenciable que incorpora el proceso físico que permite obtener la PSF en el espacio de píxeles a partir del error en el espacio de frente de onda (WFE, wavefront error), integrando la variación espectral de la PSF sobre el ancho de banda del telescopio en conjunto con la distribución espectral de energía (SED) de las estrellas observadas. En este trabajo se realiza un estudio de errores de predicción con respecto a las aberraciones presentes en las SED utilizadas. Se propone un método para mitigar el impacto de las degradaciones de las SED (integración espectral o binning y ruido en las mediciones fotométricas) sobre la optimización y predicciones del modelo. Se optimiza el método WaveDiff con datasets de diferentes tamaños con el fin de evaluar posibles beneficios gracias al incremento del número de observaciones, a costas de un aumento en el tiempo de cómputo y recursos de memoria. Finalmente, se propone un nuevo paradigma de optimización para el modelo semiparamétrico, el cual permite mejorar sustancialmente la optimización del modelo paramétrico, disminuyendo los errores de predicción tanto en el espacio de pixeles como en el espacio de frente de onda.

Identificador:

http://bibliotecadigital.fi.uba.ar/items/show/19585