Técnicas de IA para Óptica Adaptativa em Telescópios Solares
Como redes neurais estão sendo propostas para substituir — ou reforçar — o sensor de frente de onda na correção, em tempo real, da turbulência atmosférica que borra a imagem do Sol.
Por que ensinar uma IA a “ver” através da turbulência
A pesquisa apresentada no colóquio do CRAAM parte de um problema concreto: o Galileo Solar Space Telescope (GSST), missão que busca medir com precisão o campo magnético do Sol e sua evolução da superfície até a atmosfera externa, depende de imagens nítidas para que essas medições tenham valor científico. O ar entre o telescópio e o Sol, porém, distorce a luz antes que ela chegue ao instrumento — e é exatamente essa distorção que um sistema de óptica adaptativa (AO) precisa cancelar, em tempo real, dezenas ou centenas de vezes por segundo.
O trabalho, conduzido dentro do doutorado em Computação Aplicada do INPE em parceria com a Escola de Engenharia Mackenzie, investiga onde a inteligência artificial pode entrar nessa cadeia — não para substituir a física da correção, mas para acelerar e simplificar a etapa mais cara dela: descobrir quanto e onde a frente de onda está distorcida.
As quatro peças da malha de correção
Assim como um sistema de aquisição de dados se apoia em sensores, condicionamento, conversão e software, um sistema de óptica adaptativa fecha uma malha de controle própria — e ela precisa rodar em milissegundos:
Sensor de frente de onda
Mede a distorção óptica recebida, tradicionalmente com um Shack–Hartmann: uma grade de microlentes que amostra a inclinação local da luz.
Espelho deformável (DM)
Uma superfície reflectiva com dezenas a milhares de atuadores que mudam de forma para cancelar a distorção medida.
Matriz de influência
Calibra como cada atuador do DM afeta a superfície do espelho — a “planta” que o controlador usa para decidir os comandos.
Controlador / software
Converte a leitura do sensor em comandos para os atuadores, fechando o laço em tempo real — é aqui que a IA proposta atua.
Por que corrigir a luz do Sol é mais difícil
Em astronomia noturna, o sensor de frente de onda costuma medir a luz de uma estrela pontual — uma referência simples. Telescópios solares não têm esse luxo: toda a superfície observada é uma fonte estendida e granular (a fotosfera), o que obriga o sensoriamento a usar técnicas como correlação cruzada entre sub-imagens para estimar o deslocamento local da frente de onda, em vez de simplesmente localizar um ponto de luz.
O panorama de instrumentos em operação e em projeto no mundo mostra o quanto essa engenharia já é madura — e o quanto ainda está em expansão:
| Telescópio solar | Localização | Diâmetro | Tipo de AO | Atuadores do DM | Taxa de correção |
|---|---|---|---|---|---|
| Big Bear NST / GST | Califórnia, EUA | ≈1,6 m | SCAO | 160–349 | 1000 Hz |
| Swedish 1-m Solar Telescope | La Palma, Espanha | 1 m | SCAO | 85 | 1000 Hz |
| GREGOR Solar Telescope | Tenerife, Espanha | 1,5 m | HOAO (SCAO) | 100 | 1000 Hz |
| Vacuum Tower Telescope | Tenerife, Espanha | 70 cm | SCAO | 37–52 | 500–1000 Hz |
| New Vacuum Solar Telescope | Fuxian Lake, China | 985 mm | SCAO+GLAO+MCAO | 37(LO)+151(HO) | 3500 Hz |
| Daniel K. Inouye Solar Telescope | Haleakalā, Havaí, EUA | 4 m | HOAO (SCAO) | 1600 | 1975 Hz |
| European Solar Telescope | Ilhas Canárias (projeto) | 4,2 m | GLAO+MCAO (planejado) | ≈800–1000 | 1000–2000 Hz |
| Chinese Giant Solar Telescope | Oeste da China (projeto) | ≈8 m | AO de alta ordem | 4000–8000 (estimado) | 1000–2000 Hz (estimado) |
Recorte da comparação apresentada no colóquio; valores de instrumentos em projeto são estimativas de projeto conceitual.
O que a literatura já tentou ensinar a uma rede neural
Uma parte central da apresentação foi um levantamento comparativo de trabalhos que treinam redes neurais para estimar, a partir de imagens, o estado da frente de onda — substituindo ou complementando o sensor Shack–Hartmann tradicional. O padrão que emerge: a entrada quase sempre é uma imagem (ou par de imagens fora de foco), e a saída é ou um mapa de fase, ou diretamente os coeficientes de Zernike — os números que descrevem a distorção óptica como uma soma de formas geométricas conhecidas.
| Modelo | Entrada | Saída | Achado principal |
|---|---|---|---|
| ANN (rede rasa) | Deslocamentos de spots + Zernike ruidoso | Coeficientes de Zernike | Superou SVD e mínimos quadrados na reconstrução |
| SHNN (feed-forward) | Subimagem achatada 25×25 | Classificação de centro do spot | Robusta mesmo com relação sinal-ruído alta |
| CNN | Imagem completa | Centroides | Superou uma rede MLP equivalente |
| ISNet | Imagem 256×256 | 119 coeficientes de Zernike | Menor desvio-padrão que o método clássico |
| SH-Net | Imagem 256×256 | Mapa de fase | Melhor resultado entre os métodos comparados |
| VGG (de-VGG) | PSF em foco e desfocada | Mapa de fase | Mais rápida que a técnica SPGD |
| AlexNet | Duas imagens (foco/desfoco) | Coeficientes de Zernike | Bom desempenho até SNR de 35–50 dB |
| PD-CNN / Xception | Duas imagens de intensidade | Coeficientes de Zernike | Perda leve de precisão ao acelerar com TensorRT |
| DLWFS (Xception) | Imagem única de intensidade | Coeficientes de Zernike | Comparações em andamento em trabalhos futuros |
Duas fases: da PSF sintética à imagem real do Sol
Fase 1 — MLP vs. CNN prevendo Zernike a partir da PSF
Na primeira fase, o experimento gera amostras sintéticas: um vetor de coeficientes de Zernike conhecido produz uma PSF (função de espalhamento de ponto) simulada, e essa imagem é usada para treinar dois modelos concorrentes — uma rede densa (MLP) e uma rede convolucional (CNN) — que tentam recuperar os coeficientes originais a partir da imagem.
A curva de perda mostrou a CNN convergindo de forma estável ao longo de 30 épocas, com o erro de validação consistentemente abaixo do erro de treino — sinal de que o modelo generalizou razoavelmente bem para o tamanho ainda modesto do conjunto de dados.
Fase 2 — Convolução com a imagem real do Sol
A segunda fase aproxima o experimento da aplicação final: a PSF simulada é convoluída com uma imagem real da fotosfera solar (dados AIA/HMI da NASA), gerando uma imagem “borrada” de 310×310 pixels que imita o que a câmera do telescópio realmente veria através da turbulência — e que passa a ser a entrada de treinamento no lugar da PSF isolada.
Por que a Transformada de Fourier aparece em óptica
Um bloco da apresentação recupera uma ideia clássica: um sistema óptico simples — uma máscara com um padrão, uma lente e um plano de observação — calcula fisicamente uma Transformada de Fourier da imagem de entrada, sem nenhum processamento digital. A luz que atravessa a lente já “converte” o domínio espacial para o domínio de frequência.
E se a rede neural fosse feita de luz, não de silício?
Como fechamento conceitual, a apresentação aponta para um campo emergente: redes neurais difrativas, em que camadas físicas de material impresso — não circuitos digitais — realizam a computação. A luz atravessa sucessivas camadas difrativas e é fisicamente roteada até o detector correspondente à classificação correta, tudo à velocidade da luz e sem consumo de energia de processamento.
Aplicado à óptica adaptativa, isso sugere um horizonte onde parte da correção de frente de onda poderia acontecer opticamente, antes mesmo de qualquer conversão para o domínio digital — uma linha de pesquisa listada explicitamente como próximo passo, ainda não implementada neste trabalho.
O que ainda precisa ser explorado
Expandir o espaço de busca de hiperparâmetros e o volume de amostras, com um ambiente de treinamento mais robusto.
Adequar os dados sintéticos gerados às características reais do telescópio-alvo.
Incorporar princípios de IA explicável (XAI) ao pipeline de estimação.
Entender como o erro do modelo de IA se propaga para o controle físico da óptica adaptativa.
Validar o método em bancada óptica antes de qualquer teste em hardware real.
Definir métricas de avaliação antes dos testes em hardware — não depois.
Aprofundar a estratégia para telescópios solares, onde não há um ponto de referência isolado na cena para medir a turbulência.
