Browsing by Author "Guzmán Carmine, Christian Dani"
Now showing 1 - 12 of 12
Results Per Page
Sort Options
- ItemArtificial neural networks for centroiding elongated spots in Shack-Hartmann wavefront sensors(2014) Mello, A. T.; Kanaan, A.; Guzmán Carmine, Christian Dani; Guesalaga Meissner, Andrés
- ItemAtmospheric turbulence profiling using multiple laser star wavefront sensors(2012) Cortés Carvallo, Ángela Johanna; Benoit, Neichel; Guesalaga Meissner, Andrés; Osborn, James; Rigaut, Francois; Guzmán Carmine, Christian Dani
- ItemBeam shaping for laser-based adaptive optics in astronomy(2014) Bechet, Clementine Marie Zelia; Guesalaga Meissner, Andrés; Neichel, B.; Fesquet, V.; González Núñez, Héctor; Zuñiga, S.; Escarate, P.; Guzmán Carmine, Christian Dani
- ItemDesarrollo de una plataforma experimental para la investigación en algoritmos de reconstrucción tomográfica para MOAO(2014) David Sanhueza, Nicole Mariane; Guzmán Carmine, Christian Dani; Pontificia Universidad Católica de Chile. Escuela de IngenieríaEn este trabajo se explica el diseño y construcción de la mesa óptica BeAGLE (Bench Ao for eaGLE), la cual es una plataforma óptica experimental que permite medir y realizar corrección tomográfica de campo amplio utilizando estrellas artificiales, para simular un sistema MOAO (multi-object adaptive optics). La mesa posee una configuración que recrea las características ópticas del telescopio William Herschel (WHT) de 4.2m e incluye un simulador de atmósfera basado en mecanismos y placas transparentes, el cual permite simular el efecto degradante de la turbulencia atmosférica sobre las imágenes astronómicas. Además, posee una configuración similar al E-ELT (European Extremely Large Telescope) en conjunto a un instrumento MOAO, en cuanto a los espejos deformables. Para realizar el diseño del sistema se utilizó el software de diseño óptico e iluminación Zemax (Radiant Zemax LLC, E.E.U.U.), junto a otras herramientas computacionales que permitieron diseñar y posteriormente construir el hardware adicional requerido. Se realizaron algunas pruebas que permitieron validar el funcionamiento de BeAGLE, sin embargo falta la etapa de calibración (que no es parte de trabajo) para que la mesa esté completamente operacional y corrigiendo.
- ItemDevelopment of technologies and techniques for wide-field astronomical observations(2018) Garcés Santibáñez, Eduardo Humberto; Guzmán Carmine, Christian Dani; Pontificia Universidad Católica de Chile. Escuela de IngenieríaLas observaciones astronómicas requieren instrumentos con capacidad de observar un campo amplio con alta resolución, idealmente de forma simultánea. Este trabajo contribuye en ambos sentidos. Primero, para el instrumento BOMBOLO (Guzmán et al.,2014), concebido y propuesto como instrumento visitante para el telescopio SOAR de 4 metros, como imagen de campo amplio de múltiples canales, capaz de observar en tres bandas del espectro de forma simultánea e independiente. Como parte de su desarrollo, una estructura mecánica es requerida, la cual se presenta aquí en detalle junto a un análisis de elementos finitos para evaluar su desempeño. La evaluación de desempeño considera las peores condiciones de operación que el instrumento podría experimentar (Garcés et al.,2016) en términos de la orientación del vector de gravedad. Con ciertas consideraciones, el diseño de la estructura es capaz de minimizar la pérdida en calidad de imagen que produce la deformación de la estructura como consecuencia de la orientación variable del instrumento. Segundo, una técnica basada en Redes Neuronales Artificiales (ANN) fue evaluada en laboratorio, para calcular el centroide en spots elongados en sensores de frente de onda Shack-Hartmann (Mello et al., 2014), para el caso de Óptica Adaptativa en instrumentos de amplio campo de vista para Telescopios Extremadamente Grandes. Dos experimentos fueron elaborados con diferentes capacidades de emulación, con uno de ellos ideado para producir datos de entrenamiento para la ANN. Dos ANN fueron entrenadas, con diferentes arquitecturas. Coeficientes de correlación de Pearson fueron calculados para medir el desempeño, y conclusiones relevantes fueron obtenidas para el trabajo futuro en esta área.
- ItemFerroelectric memory and architecture for deep neural network training in resistive crossbar arrays.(2019) Alessandri Amenábar, Cristóbal; Abusleme Hoffman, Ángel Christian; Guzmán Carmine, Christian Dani; Seabaugh, Alan Carter; Pontificia Universidad Católica de Chile. Escuela de IngenieríaLas redes neuronales profundas (DNN, por sus siglas en inglés) pueden realizar tareas cognitivas como el reconocimiento de voz y la detección de objetos con alta precisión. Sin embargo, el costo computacional para realizar tareas de inferencia con DNNs es un desafío para las aplicaciones móviles, mientras que el tiempo y la energía necesarios para entrenar los modelos pueden ser prohibitivos incluso en grandes centros de datos. El costo computacional de las redes neuronales profundas está dominado por multiplicaciones y acceso a memoria. Por esta razón, se ha propuesto utilizar matrices de elementos resistivos para minimizar el movimiento de datos y realizar multiplicaciones de manera eficiente en el dominio analógico. Uno de los principales desafíos de estas arquitecturas es la resolución limitada y la no linealidad de las memorias resistivas disponibles en la actualidad. En esta tesis, esta limitación se aborda de dos maneras: desarrollando un modelo para diseñar y optimizar memorias multiniveles basadas en materiales ferroeléctricos, y diseñando una arquitectura para mitigar las limitaciones de matrices resistivas para el entrenamiento de DNNs. Primero, se estudian los dispositivos ferroeléctricos para implementar memorias multinivel. Los ferroeléctricos son materiales cerámicos que pueden tener dos estados de polarización no volátiles. En su forma policristalina, estos materiales se componen de una multitud de granos con estados de polarización independientes, lo que permite memorias densas, no volátiles y multinivel compatibles con los procesos estándar de fabricación de semiconductores. Sin embargo, modelar la dinámica de los ferroeléctricos policristalinos es un desafío debido a las variaciones estadísticas en la composición de sus granos. Para este propósito, se desarrolló un modelo para extraer las propiedades estadísticas de un ferroeléctrico y una simulación de Monte Carlo que puede describir y predecir su dinámica de polarización y variabilidad. Este modelo proporciona las herramientas para caracterizar y optimizar materiales ferroeléctricos, y para diseñar y evaluar dispositivos, circuitos y arquitecturas para redes neuronales y otras aplicaciones. En segundo lugar, se presentan mejoras en la arquitectura para entrenar modelos de redes neuronales en matrices resistivas. Se propone y evalúa un esquema preciso para la actualización de pesos en paralelo en una matriz resistiva. Al utilizar señales de ancho de pulso y modulación en frecuencia, el valor de los elementos resistivos puede actualizarse en paralelo con mayor precisión que las técnicas existentes basadas en la multiplicación estocástica. Este esquema produce una multiplicación con redondeo estocástico, que es óptimo para entrenar redes neuronales con resolución limitada. Finalmente, se estudia el mapeo de modelos de redes neuronales a hardware con pesos no negativos. Para analizar diferentes esquemas de mapeo, una multiplicación general de matrices se descompone en una multiplicación de matrices con elementos no negativos realizados en una matriz resistiva, seguida de un conjunto limitado de operaciones de suma y resta descritas por una matriz de conexiones. Las condiciones matemáticas para la existencia de esta descomposición se derivan y aplican a modelos de redes neuronales. Sobre la base de este análisis, se diseña un esquema de mapeo eficiente, que mitiga el efecto de la no linealidad y la resolución limitada de los elementos resistivos. Estas arquitecturas se evalúan con simulaciones implementadas en MATLAB y mediante la extensión del software de código abierto Keras para incorporar elementos de peso no ideal y la descomposición de la matriz de conexiones.
- ItemOptimal CCD readout by digital correlated double sampling(2016) Alessandri Amenábar, Cristóbal; Abusleme Hoffman, Ángel Christian; Guzmán Carmine, Christian Dani; Passalacqua, I.; Alvarez, E.; Guarini Hermann, Marcelo Walter
- ItemSymbiotic stars in OGLE data - I. Large magellanic cloud systems(2014) Angeloni, Rodolfo; Ferreira Lopes, C.E.; Masetti, N.; Di Mille, F.; Pietrukowicz, Pawel; Udalski, A.; Navarrete Silva, Camila Andrea; Puzia, Thomas H.; Catelan, Márcio; Guzmán Carmine, Christian Dani; Schaefer, B. E.; Parisi, P.; Landi, R.
- ItemThe Brazilian Tunable Filter Imager for the SOAR Telescope(2013) De Oliveira, C.; Taylor, K.; Quint, B.; Andrade, D.; Ferrari, F.; Laporte, R.; Ramos, G.; Guzmán Carmine, Christian Dani
- ItemTurbulence estimation in wide-field adaptive optics systems.(2015) Dubost Alligier, Nicolas Sébastien; Guzmán Carmine, Christian Dani; Pontificia Universidad Católica de Chile. Escuela de IngenieríaLa hipótesis de este trabajo es que las desviaciones y aberraciones de un instrumento de óptica adaptativa pueden ser cuantificadas e incorporadas a una simulación, con el fin de entrenar un reconstructor tomográfico válido bajo condiciones experimentales. Con este propósito se caracterizó la banca óptica BEAGLE (Sáez, Basden, Guzmán, Dubost, & Berdja, 2014), un experimento de óptica adaptativa multi-objeto que emula a CANARY del William Herschel Telescope. Los parámetros adquiridos son empleados para ajustar una simulación de la banca óptica, la cual produce datos de validación. Se propone una técnica para manejar desviaciones instrumentales, cuando las mediciones son realizadas utilizando un sensor de frente de onda Shack-Hartmann (SH). Dos desviaciones son tratadas: heterogeneidad de sub-aperturas y aberraciones dependientes del campo. La primera se debe a aberraciones estáticas en el eje y a imperfecciones en la construcción del Shack-Hartmann. La segunda es el producto de aberraciones ópticas fuera del eje. La técnica de corrección mitiga las desviaciones de las mediciones realizadas por el SH, antes de entregárselas a un reconstructor basado en una red neuronal artificial (ANN por su siglas en inglés). La intención es exponer a la ANN a datos normalizados, similares a aquellos producidos en simulación para su entrenamiento. Una vez implementada, la corrección falla en entregar mejora alguna. Para lidiar con esto, se realiza un análisis de sensibilidad. Como es de esperar, la ANN se muestra robusta frente al ruido. Dado que la corrección propuesta puede ser vista por el reconstructor como ruido, su efecto es limitado. También se probó con otras fuentes de error, tales como el perfil atmosférico y el pointing. Cuando estos errores caen en órdenes de magnitud esperados, su influencia en la estimación del sistema es despreciable, bajo 1%. La varación más significativa de rendimiento se observa cuando se cambia un parámetro atmosférico: la escala externa. Trabajo futuro considera la realización de pruebas para todas las fuentes de error, en una simulación inclusiva, así como el entrenamiento de un reconstructor que considere incertidumbre en estos factores.
- ItemUsing the C-n(2) and wind profiler method with wide-field laser-guide-stars adaptive optics to quantify the frozen-flow decay(2014) Guesalaga Meissner, Andrés; Neichel, Benoit; Cortés, Angela; Bechet, Clementine Marie Zelia; Guzmán Carmine, Christian Dani
- ItemWide field astronomical image restoration with convolutional neural networks(2023) Bernardi, Rafael Luiz; Torres Torriti, Miguel Attilio; Guzmán Carmine, Christian Dani; Pontificia Universidad Católica de Chile. Escuela de IngenieríaMost image restoration methods in astronomy rely upon probabilistic tools that infer a best solution for a deconvolution problem. They achieve good performances when the Point Spread Function (PSF) is spatially invariable in the image plane. However, this later condition is not always satisfied for real optical systems. PSF angular variations cannot be evaluated directly from the observations, neither be corrected at a pixel resolution. The new method for the restoration of images affected by static and anisotropic aberrations is developed using Deep Neural Networks that can be directly applied to sky images. The network is trained using simulated sky images corresponding to the T80-S Telescope optical model, an 80 cm survey imager at Cerro Tololo (Chile), which are synthesized using a Zernike polynomial representation of the optical system and real observation conditions, like atmospheric turbulence and detector noises. Once trained, the network is used directly on real images from the T80-S telescope, resulting in a prediction that is a corrected version of the image, characterized by a known and constant PSF across the field of view, zero noise and compensation for the effect of atmospheric turbulence. The method tested on real T80-S images was compared to the relative positions of objects in the GAIA survey catalog.