| | 40 | || '''08.05.2023''' || '''Jalo Nousiainen (LUT-Universität, Lappeenranta, Finland)''' || '''Modellbasiertes Verstärkungslernen und inverse Probleme bei der Steuerung extremer adaptiver Optik[[BR]][[BR]]'''Die Steuerung von XAO-Systemen (eXtreme Adaptive Optics) ist entscheidend für die direkte Abbildung potenziell bewohnbarer Exoplaneten mit bodengebundenen Teleskopen. Die derzeitigen XAO-Steuerungsgesetze hinterlassen jedoch starke Residuen, insbesondere bei kleinen Winkelabständen von Wirtssternen, wo sich die meisten bewohnbaren Exoplaneten befinden. Um dieses Problem zu lösen, hat sich unsere jüngste Arbeit auf zwei Ansätze konzentriert: Modellbasiertes Verstärkungslernen (MBRL) und räumlich-zeitliche Gauß-Prozess-Regression (ST-GP).[[BR]][[BR]]MBRL ist ein datengesteuerter Ansatz, der Kontrollstrategien aus Systemrückmeldungen erlernt und verspricht, Faktoren, die die XAO-Leistung beeinträchtigen können, wie z. B. zeitliche Verzögerung, Kalibrierungsfehler, Photonenrauschen und optische Verstärkungen, effektiv zu handhaben. Ich werde aktuelle Ergebnisse des GHOST-Prüfstandes bei der ESO vorstellen und unsere zukünftigen Ziele diskutieren.[[BR]][[BR]]Die ST-GP-Regression ermöglicht jedoch auch die theoretische Untersuchung von prädiktiven Kontrollstrategien. Zu den Faktoren, die sich auf die Leistung der prädiktiven Regler auswirken, gehören der Typ des Wellenfrontsensors, der Pegel des Messrauschens, die Geometrie des AO-Systems (Aliasing, Abstand zwischen den Aktuatoren) und die atmosphärischen Bedingungen (z. B. Seeing, Windgeschwindigkeit). Mit Hilfe der ST-GP-Regression können wir die theoretischen Grenzen der prädiktiven Steuerung unter verschiedenen Bedingungen und Geometrien untersuchen.[[BR]][[BR]]Insgesamt zielt unsere Arbeit darauf ab, die XAO-Steuerungsmethoden weiterzuentwickeln, um eine kontrastreiche Abbildung potenziell bewohnbarer Exoplaneten mit bodengebundenen Teleskopen zu ermöglichen.[[BR]][[BR]]Vortrag: Englisch[[BR]]Präsentation: Englisch[[BR]]Fragen: Deutsch, Englisch || |
