智能光学实验室近日与南京天文光学技术研究所合作，使用序列分析的方式探索了一种基于深度神经网络的望远镜光学系统失调状态估计方法。
天文观测是人类对宇宙进行探索的重要手段。望远镜作为天文学研究不可或缺的工具，扮演着关键的角色。然而，望远镜光学系统中元件失调可能会影响观测图像质量，降低观测精度。因此，分析望远镜光学系统中元件失调状态，显得尤为重要。
近年来，光学望远镜的设计越来越趋向于更宽的视场和更小的F 数。虽然这种设计提高了观测效率，但也使望远镜更容易受到光学元件失调的影响。光学元件失调会带来高度可变的点扩散函数（PSF），影响探测暗弱天体的能力，并影响天体测量和测光精度。由于望远镜变得愈加复杂且精密，系统对内部光学元件失调状态估计变得更为复杂而具有挑战性。在这一背景下，深入研究望远镜光学系统中元件失调状态的影响，不仅有助于提高观测精度，也对推动天文学科研发展起到积极的推动作用。
在Perception of misalignment states for sky survey telescopes with the digital twin and the deep neural networks（DOI:10.1364/OE.507254）文中，我们基于特征提取网络与序列分析模型，形成了对望远镜光学系统元件失调进行感知的网络MPNN（Misalignment Perception Neural Network）(见图1)。该网络首先通过RESNET-50提取全视场PSF的特征。其独特的残差块和跳跃连接设计解决了网络更深时不易于训练的问题。之后，我们使用LSTM对提取出来的序列化特征进行分析。LSTM引入门控机制来控制信息的流动和遗忘，解决了梯度消失和信息遗忘的问题。综上，我们建立的网络能够获取光学元件状态连续变化引入的失调，实现对望远镜系统不同失调状态序列的分析。
考虑在实用时，无法在任意视场获取参考星用于PSF估计。因此，实际应用时需要综合采用本小组在“Point Spread Function Estimation for Wide Field Small Aperture Telescopes with Deep Neural Networks and Calibration Data”论文中提出的Tel-Net方法。两种方法结合后的结构如图2所示：基于特定的望远镜光学系统，我们通过数字孪生的方法，使用python与ZEMAX连接工具pyzdde进行全视场PSF数据的自动获取。考虑现实应用时，特定视场点处并不一定存在参考星，我们考虑TEL-NET方法，对特定视场点处点扩散函数进行估计，再接入我们的MPNN进行分析。
之后，使用MPNN对数据进行训练，在状态图中选取随机的新序列进行测试，设置特定的标准找出异常序列，基于异常序列在状态图空间中进行主动探索，形成新的序列并继续训练网络，直至得到最优网络。
综上，我们创新性的使用序列分析的方法，对望远镜光学系统的失调状态进行分析。对于RC望远镜系统，在x-decenter、y-decenter、x-tilt、y-tilt、z-decenter失调下，误差绝对值的平均值分别达到2.859e-04mm、2.233e-04mm、3.352e-04deg、2.393e-04deg、2.94e-05mm。对于PFC望远镜系统，在x-decenter、y-decenter、x-tilt、y-tilt、z-decenter失调下，误差绝对值的平均值分别达到1.5e-04mm、1.7e-04mm、5.6e-05deg、5.6e-05deg、3.33e-05mm。性能测试结果显示了该算法的可靠性。
论文内容分析由太原理工大学张淼同学完成，张淼同学2021年本科毕业于太原理工大学，同年被保送至太原理工大学智能光学成像实验室开展机器学习及人工智能方面的研究，目前参与小组内光学望远镜失调分析相关研究。研究代码在CHINA-VO平台发布(https://doi:10.12149/101334)，实验过程中使用智能光学成像实验室提供的GPU硬件资源和南京天文光学技术研究所提供的光学系统设计和实验条件。
解读视频链接
https://www.bilibili.com/video/BV1Ha4y1y7Zj/?spm_id_from=333.999.0.0