数据驱动的射电望远镜观测效能提升方法研究

【作者】 曹海林；

【机构】 重庆大学；

【摘要】 本报告面向大口径射电望远镜高灵敏度观测需求,系统阐述人工智能(Artificial Intelligence, AI)算法在射电暂现源定位、射频干扰消除(Radio Frequency Interference, RFI)以及相控阵馈源(Phased Array Feed,PAF)接收机校正三大核心场景的应用。面向射电暂现源高精度定位需求,提出基于多域(空/时/频/极化)焦面场特征的深度学习射电暂现源定位模型,探索生成对抗网络与注意力机制对定位精度提升的作用规律和内在机理,突破了定位精度受限于反射面角分辨率瓶颈,实现大型反射面望远镜对射电暂现源的亚角秒级定位精度;针对日益复杂电磁环境引发射频干扰饱和接收机问题,提出可重构智能表面(Reconfigurable Intelligent Surface,RIS)协同的空域干扰动态消除方法。方法使用深度强化学习协同优化算法,配置RIS出射信号幅度与相位,从而主动调控接收天线周围空域电磁环境,在干扰进入接收机前消除,保护接收机动态范围;针对PAF望远镜通道幅相差异恶化灵敏度的瓶颈问题,开展扩散生成式模型在大规模相控阵列宽带幅相校正的可行性方案研究,开发了适用于射电天文校正领域高效、高精度的数据驱动校正模型,同时适用于传播信道、模拟与数字全链路时变特征的快速校正方法。在我国140m*40m行星际闪烁望远镜(Interplanetary Scintillation,IPS)的PAF校正实验中验证了提出的扩散生成式AI校正算法低复杂度特性和鲁棒性。更多还原