A pesquisa intitulada “Identificação de coeficientes de Zernike com técnicas de Inteligência Artificial”, desenvolvida por pesquisadores do INPE, propõe uma solução inovadora para um problema antigo da astronomia: a distorção causada pela atmosfera terrestre.
- O Contexto: Missão GSST e Óptica Adaptativa
A pesquisa fundamenta-se na necessidade de corrigir as distorções causadas pela turbulência atmosférica, que degrada a qualidade das imagens em telescópios terrestres. Para resolver isso, utiliza-se a óptica adaptativa, uma técnica que ajusta espelhos deformáveis em tempo real para compensar frentes de onda de luz distorcidas. O foco deste estudo é a missão Galileo Solar Space Telescope (GSST) do INPE, que visa medir o campo magnético solar.
- O Desafio dos Telescópios Solares
Diferente dos telescópios noturnos, que podem usar lasers para criar uma “estrela-guia” artificial como referência, os telescópios solares enfrentam alta luminosidade e a impossibilidade de projetar tais pontos de referência. A proposta inovadora deste trabalho é utilizar Aprendizado de Máquina (Machine Learning) para estimar os coeficientes de Zernike — valores matemáticos que descrevem as aberrações ópticas — diretamente a partir de imagens distorcidas.
- Metodologia: Simulando a Realidade
Para treinar as redes neurais, os pesquisadores utilizaram parâmetros de um telescópio real, o SOAR (Chile), simulando frentes de onda com diâmetro de pupila de 4,1m e distância focal de 65m.
Fase 1: Predição a partir de PSFs Puras
Nesta etapa, o algoritmo gerou imagens de PSF (Point Spread Function), que representam como um ponto de luz é visualizado após sofrer interferência. Foram utilizados coeficientes de Zernike até o 13º termo (Z12), excluindo desvios básicos como “pistão” e “tilt”.
- Redes testadas: MLP (Multi-Layer Perceptron) e CNN (Convolutional Neural
Network). - Resultado: A rede MLP obteve um erro médio absoluto (MAE) de 0,0438, ligeiramente superior à CNN, que marcou 0,0492.
–IMAGEM ABAIXO –Geração de PSF a partir de coeficientes de Zernike
Figura 1: À esquerda, os coeficientes de Zernike; ao centro, a frente de onda gerada; à direita, a imagem PSF resultante.
Fase 2: Simulação com Imagens do Sol
Para aproximar o estudo da realidade solar, 100 imagens de PSF foram
convoluídas (misturadas) com recortes reais da superfície do Sol obtidos pelo
portal SDO da NASA.
Figura 1: A imagem da região do Sol é combinada com a PSF para simular a visão
de um telescópio sob interferência atmosférica.
- Resultados e Discussão Técnica
Na Fase 2, foi utilizada uma rede MLP com otimização de hiperparâmetros (como função de ativação tangente hiperbólica e otimizador ‘adam’).
- Desempenho: O erro médio absoluto foi de 0,24106, o que não foi considerado visualmente satisfatório em comparação à Fase 1.
- Meta de Precisão: O objetivo final é atingir o “limite de difração”, onde o erro quadrático médio (RMSE) não pode ser superior a 1/20, garantindo que a imagem final seja nítida e fiel ao objeto original.
Figura 2: Erro médio absoluto para o treinamento (I) MLP e II) CNN
- Próximos Passos
O estudo conclui que a técnica é promissora para o auxílio no controle de óptica adaptativa. Trabalhos futuros focarão em expandir o banco de dados de treinamento, testar modelos mais robustos de IA e realizar experimentos diretamente em instrumentos de observação nas dependências do INPE.