[論文レビュー] Uncertainty-Aware Learning for Improvements in Image Quality of the Canada-France-Hawaii Telescope

Sankalp Gilda, Stark C. Draper+7 more|arXiv (Cornell University)|Jun 30, 2021

Advanced Image Processing Techniques参考文献 48被引用数 7

ひとこと要約

本論文は、カナダ＝フランス＝ハイチ諸島望遠鏡（CFHT）における環境的・運用的データを用いて、画像品質（IQ）を予測する不確実性を考慮した機械学習フレームワークを提案する。尤度的およびアレアトリックな不確実性推定を組み込んだ混合密度ネットワークを採用することで、IQ中央値予測の平均絶対誤差が約0.07′′に達し、観測時間の必要量を約12％削減する最適なドーム換気口設定を同定した。

ABSTRACT

We leverage state-of-the-art machine learning methods and a decade's worth of archival data from CFHT to predict observatory image quality (IQ) from environmental conditions and observatory operating parameters. Specifically, we develop accurate and interpretable models of the complex dependence between data features and observed IQ for CFHT's wide-field camera, MegaCam. Our contributions are several-fold. First, we collect, collate and reprocess several disparate data sets gathered by CFHT scientists. Second, we predict probability distribution functions (PDFs) of IQ and achieve a mean absolute error of $\sim0.07''$ for the predicted medians. Third, we explore the data-driven actuation of the 12 dome "vents" installed in 2013-14 to accelerate the flushing of hot air from the dome. We leverage epistemic and aleatoric uncertainties in conjunction with probabilistic generative modeling to identify candidate vent adjustments that are in-distribution (ID); for the optimal configuration for each ID sample, we predict the reduction in required observing time to achieve a fixed SNR. On average, the reduction is $\sim12\%$. Finally, we rank input features by their Shapley values to identify the most predictive variables for each observation. Our long-term goal is to construct reliable and real-time models that can forecast optimal observatory operating parameters to optimize IQ. We can then feed such forecasts into scheduling protocols and predictive maintenance routines. We anticipate that such approaches will become standard in automating observatory operations and maintenance by the time CFHT's successor, the Maunakea Spectroscopic Explorer, is installed in the next decade.

研究の動機と目的

• アーカイブ済みのテレメトリデータおよび後処理済みのIQデータを用いて、CFHTにおける画像品質（IQ）の高精度かつ解釈可能なモデルの構築を目的とする。
• 環境的および運用的パラメータからIQの確率密度関数（PDF）を完全に予測することを目的とする。
• 不確実性を考慮したモデリングを用いて、ドーム換気口の最適設定を同定し、IQの向上と観測時間の短縮を目的とする。
• シャープレー値を用いて入力特徴量の予測的価値をランク付けし、モデルの解釈性を向上させることを目的とする。
• リアルタイムで自動化された観測所スケジューリングおよびメンテナンスシステムの基盤を築くこと。

提案手法

• 環境的および運用的特徴量からIQの確率分布を予測するフィードフォワード混合密度ネットワーク（MDN）を訓練した。
• モデルの信頼性を評価し、分布外（OOD）サンプルを検出するために、エピステミック的およびアレアトリックな不確実性推定を統合した。
• 予測不確実性の事後補正に、CRUDE（不確実性推定を伴うキャリブレーション回帰）を用いた。
• OODサンプルの検出に、95百分位数のしきい値を用いた擬似周辺尤度を適用したが、より正確ではあるが計算コストの高い代替手法として、尤度の後悔（log-likelihood regret）を検討した。
• 特徴量の重要度をランク付けし、モデルの解釈性を向上させるためにシャープレー値を適用した。
• 固定されたS/N比を達成するための時間短縮効果を評価するため、分布内（ID）の調整をシミュレートし、ドーム換気口設定の影響を予測した。

実験結果

リサーチクエスチョン

• RQ1 環境的および運用的データを用いた機械学習モデルは、CFHTにおける画像品質の完全な確率分布を高精度に予測できるか？
• RQ2 12個のドーム換気口の最適な設定は何か？ これにより画像劣化を最小限に抑え、必要な観測時間を短縮できるか？
• RQ3 エピステミック的およびアレアトリックな不確実性を活用することで、信頼性が高く、実行可能な制御調整を同定できるか？
• RQ4 シャープレー値で測定した場合、どの環境的および運用的特徴量が画像品質の予測において最も予測的価値を持つのか？
• RQ5 不確実性を考慮したモデルは、リアルタイムでデータ駆動型の観測所運用最適化を可能にするか？

主な発見

• モデルはIQ中央値を平均絶対誤差約0.07′′で予測し、高い予測精度を示した。
• 不確実性を考慮したモデリングにより同定された最適なドーム換気口設定は、固定されたS/N比を達成するための観測時間を平均12％短縮した。
• シャープレー値分析により、ドーム温度、風速、機器冷却状態といった主要な予測特徴量が特定され、モデルの解釈性が向上した。
• 95百分位数のしきい値を用いた擬似周辺尤度は、分布外サンプルの検出に効果的であったが、尤度の後悔はより正確であるが計算コストが高かった。
• 本フレームワークは、観測所システムのデータ駆動型制御を可能にし、将来的な自動スケジューリングおよび予測保全の道筋を示した。
• 本研究は、将来的にマウナケア分光計器エクスプローラー（Maunakea Spectroscopic Explorer）を含む、リアルタイムで不確実性を考慮したIQ予測の統合が可能な、将来的な観測所制御システムの基盤を確立した。