‹ Back

詹姆斯韋伯太空望遠鏡突破影像極限：AI驅動的深空影像重建技術

 

圖靈學院
科楠老師
2025-10-31

 

太空觀測遇上機器學習的革命性突破

 

    詹姆斯韋伯太空望遠鏡(JWST)升空三年後，科學家面臨一個棘手問題。這台造價百億美元的設備搭載的孔徑遮罩干涉儀(AMI)無法發揮預期性能。探測器的非線性誤差嚴重限制了觀測能力。傳統校正方法束手無策。來自雪梨大學、麥覺理大學和約翰霍普金斯大學的研究團隊提出解決方案。他們開發了名為"dorito"的影像重建系統。這套工具結合自動微分技術與神經網絡模型。結果令人驚艷。

探測器的致命缺陷

 

    AMI使用HAWAII-2RG CMOS探測器。這款設備有個嚴重問題：電荷會從較亮的像素擴散到鄰近像素。科學界稱之為「Brighter-Fatter Effect」(BFE)。明亮特徵在影像中變得更寬更胖。這個現象無法用傳統傅立葉平面校正方法處理。AMI的影像平面採樣率剛好達到奈奎斯特標準。探測器對電荷遷移特別敏感。早期分析顯示，所有現存的數據處理管道都遇到相同瓶頸。AMICAL、SamPy、SAMPip等工具無法突破感度極限。搜尋暗淡伴星的任務嚴重受阻。

 

 

圖1：Brighter-Fatter Effect效應示意圖對比

 

端到端的可微分建模

 

    研究團隊的策略徹底不同。他們建立完整的儀器前向模型。這個模型涵蓋光學系統到探測器的每個環節。關鍵技術是使用Jax程式庫。Jax提供自動微分功能。系統可以計算模型中每個參數對最終影像的影響。這讓梯度下降法等優化演算法能夠有效運作。團隊開發的amigo基礎模型整合了光學模型與「有效探測器模型」。後者是個神經網路。它學習模擬BFE等探測器效應。研究人員用校準數據集訓練這個網路。訓練完成後，基礎模型的遮罩測量參數與電子特性參數固定不變。科學家只需調整鏡面形狀參數與天體物理場景參數。系統直接對像素級斜坡數據建模。這種方法繞過傅立葉平面校正的難題。

 

兩種影像重建策略

 

    dorito系統提供兩種方法。

 

方法一：影像平面直接建模

 

    系統將解析後的光源建模為與光源分布陣列的卷積。整個擬合過程在影像平面進行。完全不使用複數可見度。

擬合參數包括：

- 每次曝光的位置
- 每次曝光的通量
- 每個目標每個濾鏡的光譜
- 科學目標的對數分布
- 校準星的鏡面像差

 

這個方法在探測器非線性主導誤差來源時表現最好。

 

方法二：DISCO不變量方法

 

    團隊開發了「延遲不敏感校準觀測量子空間」(DISCO)方法。這延伸了核相位理論。AMI的遮罩孔徑相對於分離距離來說相當大。系統需要處理低空間頻率資訊。遮罩不完全共軛於望遠鏡瞳孔平面。需要小量菲涅爾散焦。傳統閉合相位不再保持不變性。DISCO方法產生核算子。這個算子將受波前誤差影響的可見度模式清零。系統追蹤參數的協方差。重新對角化後得到統計獨立的觀測量。這些觀測量對波前誤差、近場效應和光譜校準誤差都具有韌性。

 

 

圖2：Method 1影像平面重建流程圖(Max Charles et al.,2025)

 

 

圖3：Method 2 DISCO重建流程圖(Max Charles et al.,2025)

正則化技術的選擇

 

    影像重建是個病態反問題。許多不同影像都能同樣良好地擬合數據。正則化技術限縮解空間。

 

dorito預設實作幾種正則化方法：

 

最大熵正則化

    追求最大夏農熵的影像。這類影像包含最少組態資訊。任何結構都需要數據證據支持。

 

總變差正則化

    使用空間梯度的L1範數。這種方法傾向產生通量高原區域。邊緣保持清晰。過度正則化會產生卡通化特徵。

 

二次變差正則化

    使用空間梯度的L2範數。這平滑影像。相鄰像素的值差異受到懲罰。

 

研究團隊使用L曲線方法選擇超參數。對於不同的λ值優化影像。繪製對數似然項對對數先驗項的圖。最佳λ值對應曲線的肘部。

 

 

圖4：Io影像的L曲線圖及不同正則化參數的重建結果(Max Charles et al.,2025)

 

三個標竿案例

 

NGC 1068：活躍星系核心的精細結構

 

    NGC 1068是典型的第二型賽佛特星系。距離地球約14百萬秒差距。中心有個質量約三千萬太陽質量的超大質量黑洞。研究團隊使用方法一加總變差正則化重建影像。觀測使用F380M、F430M、F480M三個濾鏡。採用五點次像素抖動模式。重建影像顯示中心亮核東南方約0.1角秒處有延伸結構。大型雙筒望遠鏡干涉儀(LBTI)在8.7微米的影像高度吻合。AMI在較短波長揭露更多細節。明亮區域位於超大質量黑洞投影距離約10秒差距的位置。這裡外流與塵埃環境相互作用。塵埃昇華半徑約0.4秒差距。10秒差距處的塵埃能夠存活並再處理輻射。外流速度約每秒一千公里。熱點在10秒差距處意味活躍星系核運作至少一萬年。100秒差距內的過密度結構顯示活動持續約十萬年。

 

Io：火山月球的旋轉觀測

 

    Io是木星最內側的伽利略衛星。極端潮汐力造就太陽系最活躍的火山活動。表面永遠有火山噴發。紅外光譜特別明亮。2022年8月1日，AMI觀測Io和校準星HD 2236。僅使用F430M濾鏡。五個次像素抖動位置。每個位置45組、100次積分。研究團隊將每次曝光視為獨立的非抖動影像。這樣能解析時間演化。Io每8.55分鐘自轉1.21度。這個旋轉可以分辨。

 

重建影像偵測五個已知火山特徵：

1. Seth Patera
2. P197
3. Masubi
4. Leizi Fluctus  
5. Amirani

 

這些熱點在預期位置出現。月球邊緣清晰可辨。整個觀測序列顯示表面旋轉。團隊沒有觀察到Seth Patera周圍的擴散發射。Keck觀測和先前AMI分析都看到這個特徵。研究人員認為那可能是未校正的BFE或PSF結構。

 

 

圖5：Io的五個時間點重建影像序列，顯示旋轉效果(Max Charles et al.,2025)

 

WR 137：碰撞風雙星的考驗

 

    WR 137是碰撞風雙星系統。富碳沃夫-拉葉星與O9型伴星組成。軌道相位調節碰撞風交互作用強度。產生約13年週期的紅外光變。塵埃隨高速風外流。形成螺旋形態的膨脹結構。這類「風車」系統在近紅外和中紅外都很亮。2022年三次觀測期間發生鏡面傾斜事件。第一次觀測幾乎完成所有科學數據後，才輪到校準星。鏡面突然移動。校準星遭遇的波前與科學目標不同。研究團隊使用方法二加最大熵正則化處理這個數據集。僅用傾斜事件後的第二和第三觀測期(7月15日和8月8日)聯合擬合。重建影像顯示沿東南-西北方向的條紋。所有早期重建都看到這個特徵。長度和方向符合側向觀看的碰撞風雙星風車星雲模型。為測試DISCO對波前誤差的韌性，團隊也重建傾斜事件前的7月13日數據。這些科學曝光用7月15日的校準曝光校正。兩者波前顯著不同。方法一產生的影像充滿光譜相依的非物理校準假影。方法二產生的影像相對乾淨。視覺上與另兩個觀測期的影像相似。DISCO不變量確實對波前誤差具有韌性。

 

 

圖6：WR 137在不同方法下的重建影像對比(Max Charles et al.,2025)

 

GPU加速與自動微分的威力

 

    整個系統建構在Jax上。Jax是Google開發的數值計算程式庫。核心優勢有三：

 

1. 自動微分：系統自動計算損失函數對所有參數的梯度。不需要手動推導。這讓複雜模型的優化變得可行。

 

2. GPU加速：計算在圖形處理器上執行。數百萬或數十億參數的模型訓練時間大幅縮短。相對平價的硬體就能運行。

 

3. 即時編譯：Jax使用XLA編譯器。程式碼執行前優化。運算效率接近手寫C++或Fortran。

 

研究團隊還使用PyTorch生態系的MPoL作為靈感來源。MPoL是處理電波/次毫米波干涉數據的正則化最大似然影像重建框架。已成功應用於ALMA連續譜觀測的原行星盤。

 

未來方向與建議

 

    研究團隊提出幾點觀測策略建議：

 

1.增加組數

    在保持最大井深低於約三萬計數的前提下，增加斜坡採樣的組數。這改善訊噪比。

 

2.類似亮度的校準星

    校準星和科學目標應該有相似亮度。觀測到相似井深。這確保BFE特性一致。

 

3.多點次像素抖動

    使用盡可能多的次像素抖動位置。這更好地分離探測器效應與天體物理資訊。許多AMI觀測試圖讓目標保持在相同次像素位置。研究團隊認為這是錯誤策略。

 

4.免校準星干涉術的可能性

    JWST進行頻繁的波前感測測量。每48小時漂移小於10奈米均方根。除了傾斜事件外，任何時刻對波前的了解幾乎與點源參考校準一樣好。這開啟免校準星干涉術的可能性。CAL-SCI或CAL-SCI-CAL觀測序列可能不再必要。時間開銷和約束條件大幅降低。團隊建議對這個選項進行基準測試。

 

5.不完全清零波前模式

    DISCO方法將所有受波前誤差影響的可見度線性組合清零。這很極端。對複雜場景的影像重建來說，損失太多傅立葉模式。如果適當傳播校準星或例行波前感測的波前誤差，可能避免完全清零這些模式。同時保留自我校準的好處。

 

機器學習的下一步

 

    正則化最大似然法是天文學影像重建的標準方法。表現良好。但遠非最現代或最精密的途徑。像素基底在這裡表現不錯。沒有理由認為它是最優的。小波基底正在dorito中實作。機器學習提供許多改進途徑：

 

分數基底的先驗與似然

    使用擴散模型或流模型學習影像分布。生成式AI技術可能大幅改善重建品質。

 

深度影像先驗

    神經網路本身作為影像表示。不需要預訓練。網路結構隱含提供正則化。

 

資訊場論

    貝葉斯框架的擴展。處理連續場的不確定性。

 

自編碼器

    Io的AMI工作已展示這個方向的潛力。編碼器學習緊湊的影像表示。解碼器重建完整影像。這些方法在解析接近內工作角的光源時特別有影響力。也能推廣到日冕儀數據的可微分渲染。那裡問題更非線性。接近內工作角處場景扭曲更嚴重。

 

開源生態系的力量

 

    所有程式碼和數據公開可取得。amigo模型和管線在GitHub託管。dorito模型也在GitHub上。附帶本文結果的範例筆記本。

數據來自Barbara A. Mikulski太空望遠鏡檔案館(MAST)。研究團隊鼓勵其他研究者改編和應用這些工具到自己的干涉數據集。這展示現代科學研究的新典範。開放原始碼軟體、公開數據、可重現的分析流程。任何人都能驗證結果。任何人都能在此基礎上創新。

 

對未來觀測的意義

 

    許多檔案觀測將受益於amigo、dorito或類似方法。

GTO 1242計畫希望改進Blakely等人發表的PDS 70擬合。延伸到相同計畫觀測的其他過渡盤：HD 135344 B和HD 100546。DSHARP巡天中有大量原行星盤值得觀測。NGC 1068的例子顯示觀測活躍星系核內部環境很有價值。類星體宿主星系如3C 273也是目標。

 

Io的Keck自適應光學影像監測火山活動。AMI可能是有價值的補充。這項技術不只適用於AMI。原則可擴展到其他干涉儀、日冕儀、甚至傳統成像。關鍵是建立端到端可微分模型。讓機器學習方法直接處理原始數據。詹姆斯韋伯太空望遠鏡還有十年以上的運作壽命。這些新工具將榨出更多科學價值。百億美元的投資回報將持續增長。

 

 

參考資料來源

 

1. Charles, M., Desdoigts, L., Pope, B., et al. (2025). "Image reconstruction with the JWST Interferometer". Publications of the Astronomical Society of Australia. DOI待定。arXiv:2510.10924v1

2. Desdoigts, L., Pope, B., Charles, M., et al. (2025). "End-to-end differentiable modelling of NIRISS/AMI". Publications of the Astronomical Society of Australia, accepted.

3. Blakely, D., Johnstone, D., Cugno, G., et al. (2025). "High-contrast imaging of the PDS 70 system with JWST/NIRISS". AJ, 169, 137.

4. Isbell, J. W., Ertel, S., Pott, J. U., et al. (2025). "Infrared interferometric imaging of NGC 1068". Nature Astronomy, 9, 417.

5. Sanchez-Bermudez, J., de Pater, I., Conrad, A., et al. (2025). "Neural network reconstruction of Io's volcanic surface from JWST/AMI". MNRAS, 543, 608.

6. Lau, R. M., Hankins, M. J., Sanchez-Bermudez, J., et al. (2024). "JWST observations of the colliding-wind binary WR 137". ApJ, 963, 127.

7. Czekala, I., Jennings, J., Zawadzki, B., et al. (2025). "MPoL: A flexible Python platform for Radio and submm interferometric data". arXiv:2502.00100

8. amigo GitHub repository: https://github.com/[repository-path]

9. dorito GitHub repository: https://github.com/[repository-path]

10. Barbara A. Mikulski Archive for Space Telescopes (MAST): https://mast.stsci.edu/

11. JWST User Documentation: https://jwst-docs.stsci.edu/