Promotionsvortrag von Kevin Schmidt

Radiointerferometer erreichen die höchsten Auflösungen unter dem Preis einer geringen Datenabdeckung. Unvollständig gemessene Himmelsverteilungen im Fourier-Raum führen zu Rauschartefakten in den Quellenrekonstruktionen. Etablierte Bereinigungssoftware ist oft zeitaufwändig und liefert schlecht reproduzierbare Ergebnisse. In dieser Arbeit schlage ich eine neuartige Bereinigungsstrategie für Radiointerferometerdaten vor, die auf „Convolutional Neural Network“ basiert, mit dem Ziel aktuelle Analysestrategien an die neuen Teleskopstandards anzupassen. Dieser auf „Deep Learning“ basierende Ansatz ermöglicht eine unkomplizierte Anwendung, die reproduzierbare Ergebnisse bei kurzen Anwendezeiten erzeugt. Die neu entwickelte Simulationskette ermöglicht die Simulation von Gaußschen Radiogalaxien und ahmt Beobachtungen von Radiointerferometern nach. Durch iterative Anpassungen wird die Komplexität erhöht, so dass am Ende ein simulierter Datensatz vorliegt, der mit MOJAVEArchivdaten vergleichbar ist. Parallel dazu wird das „Deep-Learning-Framework“ radionets entwickelt. Neben der Fähigkeit große Datenmengen mit vergleichbaren Eigenschaften zu analysieren, ermöglicht der entwickelte Ansatz auch Unsicherheitsabschätzungen für die Rekonstruktionen anzugeben. Die verbesserte Rekonstruktionstechnik führt zu Zeitersparnissen, da ein Großteil des Arbeitsaufwandes für die Datenbereinigung vermieden wird. Dadurch bleibt mehr Zeit für wissenschaftliche Analyse der Radiodaten. Mit Hilfe verschiedener Bewertungskriterien wird die Rekonstruktionsfähigkeit der trainierten „Deep-Learning-Modelle“ quantifiziert. Die Rekonstruktionsqualität wird anhand von Daten mit unterschiedlichen Rauschpegeln bewertet, indem die resultierenden Vorhersagen mit den simulierten Quellenverteilungen verglichen werden. Quellenausrichtungen und -größen werden gut rekonstruiert, während die geschätzten Intensitäten erhebliche Streuungen aufweisen, wenn auch nicht schlechter als bei bestehenden Methoden ohne Feinabstimmung der Bereinigungsparameter. Abschließend werden alle Erkenntnisse kombiniert um ein „Deep-Learning-Modell“ zu trainieren, das zur Auswertung von MOJAVE-Beobachtungen geeignet ist.

Zurück