Bu çalışma, radio-interferometrik görüntüləmə iş xəttinı görünürlük məlumatlarınin məkan tezlikləriına görə çoxsaylı hesablama düyünlərinə dtorıtan SMURFIT çərçivəsini geliştirmiş və 4, 6, 8 və 10 düyünlü təcrübələrle sınamıştır. Sgr A və Sgr B2 çevresinden türetilən iki simüle vəri setinde SMURFIT, çoğu təcrübəde seri iş xəttina yakın görüntü keyfiyyətini korurken 10 düyünde təxminən xətti hesaplama sürətlənməsı storlamıştır. Önerilən yük bsahəslaşdırma modeli, kiçik keçid bölgələrinde hesaplama müddətsinin kuramsal olaraq en az 50 düyüne kadar miqyaslenebiləceğini göstermiştir. Bununla belə çalışma həqiqi SKA gözlemleri yerine 512 × 512 piksellik simulyasiyalara dayanmaktadır; özellikle kısa gözlem müddətsi və yetersiz uv-əhatəsi bulunan Sgr B2 vəri setinde çoxölçəkli CLEAN üsuli seri işleme görə daha fazla sahte resurs və daha aştorı görüntü keyfiyyəti üretmiştir.

SMURFIT, daha əvvəl yalnızca aştorı və yüksək məkan tezlikləriı iki düyün arasında paylaştıran SURFIT yaklaşımını, herhangi bir sayıda məkan tezliyi sinfina genelleştirməlavətedir. Her düyün belirli bir görünürlük alt çoxluğuni işler; ilk əsas dövrəden sonra düyünlər kısmi görüntülerini birbirleriyle paylaşarak əlavəsik məkan tezliyi bilgilərini tamamlar. Böylece radyo teleskoplarından gelen çok böyük vəri kümelerinin təlavə bir düyünün yaddaş, giriş-çıxış və işlem tutumsine btorlı kalmadan işlenmesi amaçlanmaktadır.

Çalışmanın önemli sonucu yalnızca düyün sayısının artırılması değildir. Araşdırmaçılar, kısa baz xətlərinde aşırı yoğunlaşan SKA görünürlüklərini sınıflar arasında dengeleməlavə üçün baz xəttinə btorlı orta alma və kümülatif dtorılıma dayalı yeni bir bölme üsuli geliştirmiştir. Deneylerde düyünlərin boşda gözləmə müddətinin aştorı kalması, gözlenen sürətlənmənın temel nedenlerinden biri olaraq belirlenmiştir.

Araşdırmanın əsas sualı nedir?

Çalışmanın əsas sualsu, SKA teleskoplarının üreteceği çok böyük radio-interferometrik vəri kümelerinin, ənənəvi görüntüləmə alqoritmlarından tamamen vazgecilmeden daha fazla hesablama düyününe nasıl dtorıtılabiləceğidir. Araşdırmaçılar özellikle görünürlüklərin eləlavətromanyetik frəlavəans kanallarına görə değil, məkan tezlikləriına görə bölünmesini inceleməlavətedir.

SKA-Mid teleskobunun 350 MHz ilə 15,35 GHz, SKA-Low teleskobunun ise 50–350 MHz aralığında çalışması planlanmaktadır. Çok sayıdaki anten, her anten cütü üçün bir baz xətti və buna btorlı görünürlük ölçümleri oluşturur. Anten sayısı və gözlem müddətsi büyüdükçe görünürlük sayısı milyarlarca örneğe ulaşabilir. Bu vəziyyət yalnızca işlemci müddətsini değil, belleği, disk çıxışıni və düyünlər arasındaki məlumat ötürülməsinı da sınırlayıcı hâle getirir.

Radyo interferometresi birbaşa göyüzü fotoğrafı mı üretməlavətedir?

Radyo interferometresi göyüzünün birbaşa iki boyutlu fotoğrafını kaydetmez. Anten çiftleri, göyüzündəlavəi eləlavətromanyetik sahəın korelasyonundan oluşan karmaşık dəyərli görünürlükləri ölçer. Bu görünürlüklər, göyüzü parlaklık dtorılımının Fourier məkanındaki nümunəleri olaraq düşünülebilir.

Çalışmada temel ölçüm denklemi şu biçimde vərilməlavətedir:

\[ V(u,v,w)=C\iint \frac{D(l,m)I(l,m)}{n} e^{-2\pi i[ul+vm+w(n-1)]}\,dl\,dm \]

\[ n=\sqrt{1-l^2-m^2} \]

• V(u,v,w): Anten çifti tarafından ölçülen kompləlavəs görünürlük dəyəridir.
• I(l,m): Gökyüzünün yön kosinüsleri üzərindəki parlaklık dtorılımıdır.
• l, m və n: Gökyüzü yönünü diaqnozmlayan boyutsuz yön kosinüsleridir.
• u, v və w: Antenler arasındaki baz xəttinin gözlem dalga boyuyla miqyaslenmiş koordinatlarıdır.
• C: Anten kazancı gibi yönden müstəqil araçsal təsirleri temsil eder.
• D(l,m): İyonosferik faz değişimleri və ya birincil anten huzmesi gibi yöne btorlı təsirleri temsil eder.

Anten dizisinin Fourier müstəvisini əlavəsiksiz nümunəleyememesi nedeniyle bu denklemin ters çözümü iyi koşullu değildir. Ölçülmeyen məkan tezlikləriın sıfır kabul edilmesi, həqiqi resursların çevresinde yan loblar və görüntü yapıları meydana getirir. Radyo görüntüləmə alqoritmlarının tapşırıqi, əlavəsik ölçümler altında mümkün olan en doğru göyüzü modelini oluşturmaktır.

Ana və kiçik dövrəler nasıl çalışmaktadır?

Çalışmadaki Şəkil 1, ənənəvi radio-interferometrik görüntüləmə iş xəttinı üç temel adımla göstərir: de/gridding, tahmin və model güncelleme. Mevcut göyüzü modeli ölçüm uzayına taşınır, ölçülen görünürlüklərden çıkarılır və geriye ksahə xəta görüntüsü düzlemine dönüştürülür.

n’inci əsas dövrəde qalıq görüntü şu şəkilde hesaplanmaktadır:

\[ \tilde{\imath}^{\,n}=F^{\dagger}G \left(v-G^{\dagger}F\hat{\imath}^{\,n}\right) \]

• v: Ölçülen görünürlük vəktörüdür.
• F və F^†: İki boyutlu hızlı Fourier dönüşümü və tersidir.
• G və G^†: Düzensiz görünürlük nümunəlerini nizamlı Fourier toruna taşıyan gridding və ters de-gridding operatörleridir.
• îⁿ: n’inci əsas dövrə başlangıcındaki göyüzü modelidir.
• ĩⁿ: Model ilə ölçüm arasındaki artık və ya ilk döngüdəlavəi “kirli görüntü”dür.

Tahmin alqoritmsı ölçüm operatörünün oluşturduğu nöqtə yayılma funksiyasınu qalıq görüntüden ayırmaya çalışır. Elde edilən artık göyüzü modeli mevcut modele əlavəlenir:

\[ \hat{\imath}^{\,n+1}=\hat{\imath}^{\,n}+\bar{\imath}^{\,n} \]

Deconvolution alqoritmsının kendi üçünde de təlavərarlar bulunması nedeniyle dıştaki işlem “əsas dövrə”, içtəlavəi işlem ise “kiçik dövrə” olaraq adlandırılır.

SURFIT görünürlükləri nasıl bölməlavətedir?

SURFIT, görünürlükləri uv-müstəvisindəlavəi merkeze uzaklıklarına görə iki halkasal sınıfa ayırır. Merkeze yakın görünürlüklər aştorı məkan tezlikləriı və göyüzündəlavəi böyük miqyaslı yapıları; merkezden uzak görünürlüklər yüksək məkan tezlikləriı və ince ayrıntıları temsil eder.

Şəkil 2’de aştorı frəlavəans sınıfı L, yüksək frəlavəans sınıfı H və bunların örtüşen keçid bölgəsi gösterilməlavətedir. Geçiş bölgəsinin merkez yarıçapı ℓ, yarı genişliği ise δ ilə diaqnozmlanır. Örtüşme iki nedenle lazımdır:

• Convolutional gridding işlemi bir görünürlük örneğini komşu ızgara hüceyrəlerine yaydığı üçün sınıflar keskin bir çizgiyle ayrılamaz.
• Keskin Fourier kesimleri görüntü düzleminde çınlama və salınım oluşturabiləceğinden yumuşak bir geciş gərəkdir.

Şəkil 3’te iki SURFIT düyününün çalışma strukturi görülməlavətedir. İlk əsas dövrəde her düyün yalnızca kendi məkan tezliyi aralığını yeniden oluşturur. İkinci əsas dövrəden itibaren düyünlər filtrlenmiş deconvolution artıklarını birbirlerine gönderir. Gelen görüntüler, düyünün sahip olmadığı görünürlüklərin yerine gecen təxminən bilgi olaraq kullanılır. Son mərhələda iki tam çözünürlüklü görüntü çəkili ortayla birleştirilir.

SMURFIT, SURFIT’ten hangi bakımdan fərqlidır?

SMURFIT, iki sınıflı SURFIT yapısını K adet məkan tezliyi sinfina və dolayısıyla K hesablama düyününe genelleştirir. Her düyün V₀…V_K−1 görünürlük alt kümelerinden birini işler və diğer K−1 düyünden filtrlenmiş görüntüler alır.

Bu genelleştirme yalnızca daha fazla işlem başlatmakla yapılamaz. Deconvolution alqoritmlarının diğer bütün düyünlərden gelen görüntüleri eyni hədəf funksiyasına əlavəleyecəlavə biçimde yeniden diaqnozmlanması gərəkdir.

L1 tənzimləməli deconvolution nasıl genelleştirilmiştir?

Çalışmanın kullandığı ilk üsul, wavəlet uzayında seyrəlavə bir çözüm arayan L1 tənzimləməli konvəks deconvolution üsulidir. Təlavə düyünlü temel problem şu biçimdedir:

\[ \alpha^n=\arg\min_{\alpha} \left\|\tilde{\imath}^{\,n}-HW\alpha\right\|_2^2+ \lambda^n\|\alpha\|_1 \]

\[ \bar{\imath}^{\,n}=W\alpha^n \]

• H: Nokta yayılım fonksiyonuyla convolution operatörüdür.
• W: Dalgacık dönüşüm operatörüdür.
• α: Dalgacık katsayılarıdır.
• λ: Veriye uyum ilə seyrək həll arasındaki dengeyi belirleyen tənzimləmə parametridir.
• ||α||₁: Katsayıların mutlak dəyərləri ümumiıdır və gerəlavəsiz komponentləri bastırır.

SMURFIT’te j’inci düyün üçün hədəf funksiyasına diğer bütün düyünlərden gelen görüntülerin uyum terimleri əlavəlenməlavətedir:

\[ \begin{aligned} \alpha^{n}_{V_j}=\arg\min_{\alpha}\{& \|\Gamma_j(\tilde{\imath}^{\,n}_j-H_jW\alpha)\|_2^2+ \lambda^{n}_{V_j}\|\alpha\|_1 \\ &+\gamma_n\sum_{\substack{k=0\\k\neq j}}^{K-1} \|\rho^{\,n-1}_k-\Gamma_kW\alpha\|_2^2\} \end{aligned} \]

\[ \rho^{\,n-1}_k= \sum_{i=1}^{n-1}\Phi^i_k- \Gamma_k\sum_{i=1}^{n-1}\bar{\imath}^{\,i}_{V_j} \]

\[ \Phi^i_k=\Gamma_k\bar{\imath}^{\,i}_{V_k} \]

Γ_j və Γ_k, yalnızca ilgili düyünün məkan tezliyi bandını geciren filtrlərdir. ρ_k, diğer düyünden alınan görüntü ilə j’inci düyünün əvvəlki tahmininde zaten bulunan eyni frəlavəans komponentləri arasındaki farkı temsil eder. Böylece eyni bilgi iki kez əlavəlenmez.

İlk əsas dövrəde başka düyünlərden əvvəlki görüntü bulunmadığından γ_n sıfırdır. Sonraki döngülerde γ_n bire eşitlenir və düyünlər arası bilgi hədəf funksiyasına katılır.

Düzenleme parametresi neden yeniden təsvir edilmişdir?

İki düyünlü SURFIT’te λ parametresi qalıq görüntünün normuna və əsas dövrə sayısına btorlı basit bir azalma kuralıyla seçiləbiliyordu:

\[ \lambda^n=a\|\tilde{\imath}^{\,n}\|_2\,b^n \]

Çalışmada bu kuralın çok sayıda düyünde her düyün üçün ayrı elle ayar gerəlavətirdiği görülmüşdür. Bunun yerine, sıfırdan fərqli çözüm üretiləbiləcəlavə L1 tənzimləmə sınırına dayanan λ_max istifadə edilmişdir:

\[ \lambda^{n}_{\max,V_j} =2\left\|W^{\dagger} \left( H_j^{\dagger}\Gamma_j^{\dagger}\Gamma_j\tilde{\imath}^{\,n}_j+ \gamma_n\sum_{\substack{k=0\\k\neq j}}^{K-1} \Gamma_k^{\dagger}\rho^{\,n-1}_k \right)\right\|_{\infty} \]

Gerçəlavə tənzimləmə dəyəri bu üst sınırın bir kesri olaraq seçilir:

\[ \lambda^{n}_{V_j}=c\,\lambda^{n}_{\max,V_j} \]

\[ c=a+(1-a) \frac{\exp[b(n-1)/N]}{\exp(b)-1} \]

a, ilk döngüdəlavəi c dəyərini; b, əsas dövrəler boyunca artımın dikliğini; N ise ümumi əsas dövrə sayısını belirler. Döngüler ilərledikçe qalıq görüntü küy torırlıqlı hâle geldiğinden c artırılır. Son əsas dövrəde c’nin bire ulaşması, alqoritmnın küyyü aşırı yeniden oluşturmasını engellemeyi amaçlar.

Çok miqyaslı CLEAN nasıl çok düyünlü hâle getirilmiştir?

İkinci üsul olan çoxölçəkli CLEAN, qalıq görüntüdəlavəi en parlak komponenti uygun uzamsal miqyaste seçip modele əlavəleyen tamahkar bir alqoritmdır:

\[ \bar{\imath}^{\,n} =\operatorname{ms\mbox{-}CLEAN} (\tilde{\imath}^{\,n},H,S,K_{\mathrm{iter}}) \]

SMURFIT’te her düyün üçün yerli qalıq görüntü ilə diğer düyünlərden gelen görüntüler birleştirilərəlavə sözde tam çözünürlüklü bir qalıq görüntü və nöqtə yayılma funksiyası oluşturulur:

\[ \tilde{\imath}^{\,n}_{V_j} =\mu_j\Gamma_j\tilde{\imath}^{\,n}_j+ \sum_{\substack{k=0\\k\neq j}}^{K-1} \mu_kH_k\rho^{\,n-1}_k \]

\[ H_{V_j}= \mu_j\Gamma_jH_j+ \sum_{\substack{k=0\\k\neq j}}^{K-1} \mu_k\Gamma_kH_k \]

μ katsayıları, fərqli düyünlərin normallaşdırılmış nokta yayılım fonksiyonlarını doğru torırlıqlarla birleştirir. L1 üsulinden fərqli olaraq ms-CLEAN üçün tərs variasiya çəkisi kullanılmamıştır; araşdırmaçılar bu torırlığın tamahkar CLEAN adımlarına nasıl uygulanactorının açıq olmadığını belirtməlavətedir.

Yük bsahəslaşdırma problemi nasıl çözülmüştür?

De/gridding işlemi ümumi müddətnin böyük bölümünü oluşturduğundan her düyünün təxminən eyni sayıda görünürlük işlemesi gərəkdir. Görünürlükler izotropik halkalara ayrıldığı üçün iki boyutlu uv-müstəvisi problemi, merkeze uzaklığın kullanıldığı birölçülü bir dtorılıma indirgenmiştir.

P(x) normallaşdırılmış görünürlük yoğunluğu, C(x) ise kümülatif paylanma funksiyasıdur:

\[ C(x)=\int_{-\infty}^{x}P(u)\,du \]

K sınıf üçün K−1 geciş merkezi ℓ₁…ℓ_K−1 seçilir. Her sınıfın görünürlük payı α olacak biçimde şu koşullar aranır:

\[ C(\ell_1+\delta)=\alpha \]

\[ C(\ell_n+\delta)-C(\ell_{n-1}-\delta)=\alpha, \quad n\in\{2,\ldots,K-1\} \]

\[ 1-C(\ell_{K-1}-\delta)=\alpha \]

α bilindiğinde geciş merkezleri ardişıq olaraq hesaplanabilir:

\[ \ell_1(\alpha)=C^{-1}(\alpha)-\delta \]

\[ \ell_n(\alpha)= C^{-1}\left[C(\ell_{n-1}(\alpha)-\delta)+\alpha\right]-\delta \]

Son sınıfın da eyni böyüklükte olması üçün şu kök çözülür:

\[ C(\ell_{K-1}-\delta)+\alpha-1=0 \]

Fonksiyon α’ya görə moqeydon olduğundan araşdırmaçılar ikili bölmə üsuluni kullanmıştır. Geçiş bölgələri birbirinin üzerine aşırı biçimde biniyorsa və ya üçten fazla sınıf eyni görünürlükləri içeriyorsa yapı gecersiz kabul edilmiştir. Bu sınırlama, eyni görünürlüğün çok sayıda düyünde təlavərar işlenmesini və çok dar frəlavəans pencerelerinin böyük yan loblar üretmesini önleməlavətedir.

Baz çizgisine btorlı orta alma neden lazımdır?

SKA-Mid AA4 anten strukturinde çok sayıda qısa baz xətti bulunduğundan görünürlüklər uv-müstəvisinin merkezinde aşırı yoğunlaşmaktadır. Şəkil 5’in üst histogramında, orta alma uygulanmadığında beş sınıfın keçid bölgələrinin böyük ölçüde üst üste geldiği və dengeli bölmenin başarısız olduğu görülməlavətedir.

Araşdırmaçılar bu sorunu baz xəttinə btorlı orta alma (baseline-dependent avəraging, BDA) ilə azaltmıştır. BDA, kısa baz xətlərindəlavəi yoğun nümunəleri daha fazla; uzun baz xətlərindəlavəiləri ise daha az ortalayarak vəri yoğunluğunu dengeler. İzin vərilən ümumi korrelyasiya itkisi şu şəkilde diaqnozmlanır:

\[ \rho=\rho_f\rho_t \]

\[ \rho_f=\operatorname{sinc} \left(\frac{\pi\nu_{\Delta}\tau_g}{2}\right) \]

\[ \tau_g=\frac{1}{c} \left[ul+vm+w(n-1)\right] \]

\[ \rho_t=\operatorname{sinc} \left\{\pi T\left( \frac{du}{dt}l+ \frac{dv}{dt}m+ \frac{dw}{dt}(n-1) \right)\right\} \]

Kısa entegrasyon müddətlerinde zaman resurslı korrelyasiya itkisi üçüncü dereceden Taylor yaklaşımıyla hesaplanmaktadır:

\[ \rho_t\approx 1-\frac{\pi^2T^2}{6} \left( \frac{du}{dt}l+ \frac{dv}{dt}m+ \frac{dw}{dt}(n-1) \right)^2 \]

• ρ: Orta alma sonrasında korunan korelasyonun boyutsuz nisbətidır.
• ρ_f: Frəlavəans ortasının neden olduğu decorrelation dəyəridir.
• ρ_t: Zaman ortasının neden olduğu decorrelation dəyəridir.
• ν_Δ: Kanal bant genişliğidir.
• T: Entegrasyon müddətsidir və saniyə cinsindedir.
• τ_g: Kaynak ilə faz merkezi arasındaki geometrik gecikmədir və saniyə cinsindedir.

uv-koordinatlarının zaman türevleri, baz xəttinin yatay komponentləri və Yerin fırlanma sürəti kullanılarak hesablanmışdır:

\[ \frac{du}{dt}= \frac{1}{\lambda} (L_x\cos H-L_y\sin H)\omega \]

\[ \frac{dv}{dt}= \frac{1}{\lambda} (L_x\sin\delta_s\sin H+ L_y\sin\delta_s\cos H)\omega \]

\[ \frac{dw}{dt}= \frac{1}{\lambda} (-L_x\cos\delta_s\sin H- L_y\cos\delta_s\cos H)\omega \]

Burada λ gözlem dalga boyunu, H saat buctorını, δ_s mənbə dəlavəlinasiyasınu, L_x və L_y baz xətti komponentlərini temsil eder. Yerin fırlanma sürəti ω = 7,2925 × 10⁻⁵ rad/s olaraq istifadə edilmişdir.

Deneylerde yalnızca zaman əlavəseninde orta yapılmış və en kötü vəziyyətdaki decorrelation temel alınmıştır. Orta seviyeleri, vəri yapısını korumak amacıyla ikinin kuvvətleri şəlavəlinde seçilmiştir. Şəkil 5’in alt histogramında ρ > 0,99 eşiğindəlavəi BDA sonrasında görünürlük yoğunluğunun belirgin biçimde dengelendiği və sınıfların daha düzgün ayrılabildiği görülməlavətedir.

Simüle vəri setleri nasıl yaradılmışdır?

İki vəri seti üçün əvvəl teleskop geometrisine və gözlem parametrelerine görə görünürlük konumları simüle edilmiş, ardından göyüzü modeli bu konumlara de-grid edilərəlavə görünürlük dəyərləri oluşturulmuş və son mərhələda küy əlavəlenmiştir. Gökyüzü modelleri, MeerKAT 1,28 GHz Qalaktik Mərkəz mozaiğinden alınan və kenarları yumuşatılmış Sgr A ilə Sgr B2 kesitleridir.

Şəkil 6’daki kirli görüntüler, vəri setlerinin fərqli özelliklerini göstərir. Sgr A görüntüsü daha uzun gözlem və daha yoğun uv-əhatəsi nedeniyle daha strukturli bir merkez yapısına sahiptir. Sgr B2 görüntüsünde ise daha kısa gözleme btorlı geniş yan lob və küy yapıları daha belirgindir.

Deneylerin əsas nəticəları nelerdir?

Hesaplama sürətlənməsı

Şəkil 7’de ölçülen divar saatı sürətlənməlarının, kusursuz yük bsahəslaşdırma fərziyyəından türetilən kuramsal çizgiləre yakın olduğu görülməlavətedir. On düyünde təcrübəsel sürətlənmə vəri setine və deconvolution üsuline görə qrafikten təxminən 7,5–8,5 kat aralığındadır. Bu dəyər kusursuz 10 kat sürətlənmənın altında olsa da düyün sayısıyla böyük ölçüde xətti artmaktadır.

ms-CLEAN, L1 deconvolution’dan daha hızlı çalışmıştır. Bununla belə deconvolution ümumi müddətnin kiçik bölümünü oluşturduğu üçün iki üsulin miqyaslanma əyrıleri arasında böyük fark oluşmamıştır.

Sgr A görüntü keyfiyyəti

Şəkil 8’in Sgr A panellərinde, dört ilə on düyünlü SMURFIT nəticələrının son siqnal-küy nisbətləri seri iş xəttina və birbirlerine yakın çıkmıştır. L1 deconvolution nəticələrı son əsas dövrəlerde təxminən 12–13 dB səviyyəsine ulaşırken ms-CLEAN nəticələrı təxminən 10–11 dB aralığında toplanmaktadır.

ms-CLEAN nəticələrı seri iş xəttinın son dəyərinden biraz aştorı kalmıştır. Bunun temel nedeni SMURFIT’in diğer düyünlərden əvvəlki əsas dövrəde üretilən görüntüleri kullanması və bu səbəbdən seri iş xəttinın təxminən bir əsas dövrə gerisinden ilərlemesidir.

Sgr B2 görüntü keyfiyyəti

Sgr B2 vəri setinde SMURFIT ilə seri iş xətti arasındaki fark daha böyüktür. Özellikle ms-CLEAN, düyün sayısı arttıkça seri iş xəttindan daha aştorı siqnal-küy nisbətləri üretmiştir. Şəkil 9’daki on düyünlü görüntüde həqiqi resursların çevresinde daha fazla yapay nokta və yaygın xəta görülməlavətedir.

Sgr B2 gözlemi yalnızca 30 dakikalık saat buctorı aralığına sahipken Sgr A gözlemi dört saat sürməlavətedir. Daha kısa gözlem uv-müstəvisini daha seyrəlavə nümunəəlavəte və nöqtə yayılma funksiyasındaki yan lobları büyütməlavətedir. Uzamsal frəlavəansların daha fazla sınıfa ayrılması her düyünün desteğini daralttığından bu yan loblar daha da belirginleşməlavətedir.

Şəkil 10’daki nöqtə yayılma funksiyası kesitleri, Sgr B2’nin on düyünlü sınıfında merkez tepenin çevresindəlavəi salınımların seri çözümden daha güçlü olduğunu göstərir. En parlak komponenti tamahkar biçimde seçen ms-CLEAN bu yan lobları həqiqi resurs olaraq yorumlayabilməlavətedir.

Düğüm başına parametr tənzimlənməsi

Araşdırmaçılar Sgr B2 üçün her düyünün parametrelerini elle ayarlamıştır. Şəkil 11’e görə ms-CLEAN nəticələrı iyiləşmiş, lakin daha az sahte resurs elde etməlavə üçün çözünürlükten ödün vərilmesi gerəlavəmiş və seri çözümün kalitesine ulaşılamamıştır. L1 üsulinde tənzimləmə parametrinin daha yavaş artırılması ise nəticələrı seri iş xəttina təxminən olaraq eşdəyər hâle getirmiştir.

Görüntü kalitesi ilə müddət birlikdə dəyərlendirildiğinde

Şəkil 12, görüntü keyfiyyətini birbaşa gecen müddətye qarşı göstərir. Dört düyünlü SMURFIT bilə beş əsas dövrənün tamamını, seri iş xəttinın yalnızca ön işleme mərhələsını bitirebildiği müddətden əvvəl tamamlamıştır. Dolayısı ilə belirli vəziyyətlərda görüntü keyfiyyətindəlavəi sınırlı itki, çok daha kısa hesaplama müddətsi qarşılığında ortaya çıkmaktadır.

Asıl darboğaz hangi işlemdir?

Şəkil 13’te L1 və Sgr A təcrübələrinin düyün başına müddətleri okuma, gridding, de-gridding, deconvolution, bəlavəleme və diğer işlemler olaraq ayrılmışdır. Bütün düyün yapılandırmalarında en böyük bölüm məlumat oxuma müddətsidir.

Araşdırmaçılar zamanın çoğunun fiziki disk aktarımından çok, casacore yazılımındaki table.query çtorrısında və RASCIL’in disk sırasını kendi yaddaş içi vəri yapısına dönüştürmesinde harcandığını belirlemiştir. Ölçüm setinin əvvəlden yeniden sırsahəması və satırların birbaşa okunması, bu darboğazı azaltabiləcəlavə başlıca iyiləştirme olaraq önerilməlavətedir.

Düğüm sayısı arttıkça L1 deconvolution xərci de büyümüştür. Bunun nedeni her düyünden alınan görüntü üçün yerli yapıyı koruyan 5 × 5 harəlavəetli pencereyle varyans hesaplanmasıdır. ms-CLEAN tərs variasiya çəkisi kullanmadığından bu xərc onda daha az artmaktadır.

Bəlavəleme müddətlerinin ümumi müddətye görə kiçik kalması, yük bsahəslaşdırma üsulinin təsirli olduğunu göstərir. Bununla belə özyinelemeli sınıf sınırı hesabındaki kiçik xətalar son sınıfta biriktiğinden, yüksək düyün sayılarında son düyün diğerlerinden biraz daha uzun çalışmıştır.

Daha böyük görüntülerde ne bəlavəlenməlavətedir?

Deney görüntüleri 512 × 512 pikseldir. Çalışmada SKA-Low təlavə noktalama görüntülerinin təxminən 4.000 × 4.000, SKA-Mid görüntülerinin ise təxminən 20.000 × 20.000 piksele ulaşabiləceği belirtilməlavətedir. SMURFIT her əsas dövrəde düyünlər arasında görüntü aktardığından bu boyutlarda tor ilətişimi potansiyel bir darboğazdır.

Araşdırmaçıların əvvəlki təcrübələrinde 10.000 × 10.000 piksele kadar görüntü aktarım müddətsi artsa da deconvolution və de/gridding müddətleri de benzer nisbətlarda büyümüş və ilətişim müddətsi diğer işlemlerden daha kiçik kalmıştır. Yine de çalışma, həqiqi SKA boyutlarının sınanabilmesi üçün görüntünün alt parçalara ayrılması, daha miqyaslana bilən deconvolution və daha vərimli gridding üsulleri gerəlavətiğini belirtməlavətedir.

Kuramsal olaraq 50 düyüne miqyaslana bilən mi?

Şəkil 14, BDA decorrelation eşiği ρ və geciş yarı genişliğinin görüş sahəsina nisbəti δ:FoV değiştirilərəlavə 50 sınıfa kadar kuramsal hesaplamalar sunmaktadır. Küçük keçid bölgələrinde 1/α ilə temsil edilən nəzəri sürətlənmə, 50 düyünde təxminən 40–45 kat səviyyəsine yaklaşmaktadır.

Geçiş bölgələri büyüdükçe komşu sınıflar arasında kopysahəan görünürlüklərin sayısı artmakta, ümumi iş yükü n × α dəyəri yükselməlavəte və gecerli sınıf yapılandırmalarının ulaşabiləceği düyün sayısı azalmaktadır. BDA’nın en böyük katkısı ilk yüzde birlik decorrelation aralığında ortaya çıkmış; ρ dəyərinin 0,99’dan daha fazla düşürülmesi yük dtorılımına daha sınırlı əlavə katkı storlamıştır.

Şəkil 15, 20 düyünlü bir yapı üçün kök fonksiyonunu göstərir. Büyük keçid bölgələrinde fonksiyon kök çevresinde çok dik hâle geldiğinden sayısal çözüm zorlaşmaktadır. Bu səbəbdən 50 düyünlü nəticələr həqiqi hesaplama və görüntü keyfiyyəti təcrübəi değil, yük bsahəslaşdırma modelinden elde edilən kuramsal tahminlerdir.

Çalışmanın güclü tərəfləri nelerdir?

• İki düyünlü bir üsuli keyfî sayıda məkan tezliyi sinfina riyazi olaraq genelleştirməlavətedir.
• Hem yaygın ms-CLEAN alqoritmsını hem de L1 tənzimləməli konvəks deconvolution üsulini sınamaktadır.
• Yük bsahəslaşdırma problemini görünürlük dtorılımının kümülatif funksiyauna dayalı açıq denklemlerle açmaktedir.
• SKA anten strukturindəlavəi qısa baz xətti yoğunluğunu BDA ilə birbaşa ele almaktadır.
• 4, 6, 8 və 10 düyünlü həqiqi yüksək performanslı hesablama təcrübələri yürütməlavətedir.
• Hesaplama müddətsini yalnızca ümumi müddət olaraq değil, okuma, gridding, de-gridding, deconvolution və bəlavəleme komponentlərine ayırmaktadır.
• Görüntü kalitesi ilə hesaplama hızını birlikdə dəyərlendirməlavətedir.
• Başarısız və ya zayıf sonuç vəren Sgr B2 və ms-CLEAN vəziyyətunu açıqça göstərir.
• Kod, yapılandırmalar, nəticələr və vəri kümeleri üçün onlayn depo sunmaktadır.

Çalışmanın məhdudiyyətlərı nelerdir?

• Çalışma rəyçi qiymətləndirməsindən keçməmiş bir preprinttir.
• Deneyler həqiqi SKA gözlem vəriləriyle değil, MeerKAT görüntülerinden üretilmiş simüle görünürlüklərle yapılmıştır.
• Görüntüler 512 × 512 pikseldir və bəlavəlenen SKA üretim görüntülerinden çok kiçiktür.
• Deneyler en fazla 10 düyünde yürütülmüş; 50 düyün sonucu yalnızca yük bsahəslaşdırma modeline dayalıdır.
• Gürültü, SKA həssaslıq hesaplayıcısından türetilmemiş; siqnal standart sapmasının %5’i olaraq ayarlanmıştır.
• Simülasyonlarda resursların həqiqi gök koordinatları yerine süni RA-DEC koordinatları istifadə edilmişdir.
• Her düyüne özel parametr tənzimlənməsi miqyaslana bilən olmadığı üçün ana müqayisəlarda eyni deconvolution parametreleri istifadə edilmişdir.
• SMURFIT’in bir əsas dövrəlik bilgi gecikməsi vardır.
• Kötü uv-əhatəsinda, özellikle ms-CLEAN kullanıldığında görüntü keyfiyyəti belirgin biçimde düşebilməlavətedir.
• Veri okuma strukturi və RASCIL/casacore sorguları ümumi müddətnin böyük bölümünü oluşturmaktadır.
• Daha böyük görüntülerde düyünlər arası aktarım, yaddaş tüketimi və deconvolution xərci henüz üretim ölçeğinde sınanmamıştır.

Çalışma nəyi dəstəkləyir?

• Radyo-interferometrik görüntüləmə görünürlüklərinin məkan tezliyia görə çok sayıda düyüne dtorıtılabiləceğini dəstəkləyir.
• Önerilən yük bsahəslaşdırma və BDA birleşiminin 4–10 düyün arasında aştorı boşda gözləmə müddəti storlayabildiğini göstərir.
• İyi uv-əhatəsina sahip Sgr A benzeri vəziyyətda dtorıtık çözümün seri işleme yakın görüntü keyfiyyəti üretebildiğini göstərir.
• On düyünde təxminən 7,5–8,5 kat hesaplama sürətlənməsının mümkün olduğunu göstərir.
• L1 tənzimləməli deconvolution’ın kötü uv-əhatəsinda ms-CLEAN’den daha dayanıklı olabiləceğini göstərir.
• Küçük keçid bölgələrinin kopysahəan görünürlükləri azaltarak kuramsal miqyaslanmayi iyiləştirdiğini göstərir.

Çalışma nəyi sübut etmir?

• SMURFIT’in bütün radyo resursları və bütün gözlem strukturlerinde seri işlemle eyni görüntü keyfiyyətini vəreceğini sübut etmir.
• Gerçəlavə SKA vəri akışının üretim ortamında başarıyla işlenebildiğini göstermeməlavətedir.
• Elli düyünde görüntü keyfiyyətinin kabul ediləbilir kaldığını təcrübəsel olaraq göstermeməlavətedir.
• Yirmi bin piksel genişliğindəlavəi SKA-Mid görüntülerinde tor və yaddaş darboğazlarının önemsiz olactorını sübut etmir.
• ms-CLEAN’in çok düyünlü kullanımda her koşulda uygun olduğunu göstermeməlavətedir.
• Kullanılan %5 btorıl küy səviyyəsinin həqiqi SKA araçsal küysünü temsil ettiğini göstermeməlavətedir.
• Kuramsal sürətlənmənın düyün sayısıyla sınırsız biçimde xətti devam edeceğini sübut etmir.

Çalışmanın Metodu və Tapıntıları

Veri seti və gözlem parametreleri

Gürültü həqiqi SKA duyarlılığına görə hesaplanmamıştır. Çalışmada resursların dJy və cJy ölçeğinde, SKA həssaslıq hesaplayıcısının ise µJy ölçeğinde dəyər üretmesi nedeniyle küy siqnal standart sapmasının %5’i olaraq belirlenmiştir.

BDA öncəsi və sonrası görünürlük sayıları

BDA yalnızca vəri miktarını azaltmamış, kısa baz xətlərindəlavəi aşırı yoğunluğu düşürerəlavə sınıflar arasında daha dengeli bir dtorılım oluşturmuştur.

Uzamsal frəlavəans sınıfları

α dəyəri, keçid bölgələrindəlavəi örtüşmə nedeniyle tam olaraq 1/K değildir. Sınıf sayısı büyüdükçe daha fazla keçid bölgəsi oluşmakta və bazı görünürlüklər komşu düyünlərde yinelenməlavətedir.

Deconvolution parametreleri

Seri iş xətti ilə SMURFIT eyni temel deconvolution parametreleriyle beş əsas dövrə çalıştırılmıştır. ms-CLEAN’in ilk əsas dövrəsünde kullanılacak uzamsal miqyasler, sınırlı frəlavəans bant genişliği nedeniyle ön təcrübələrle seçilmiştir.

Yazılım və hesaplama altyapısı

Başlıca tapıntıların özeti

Genel sonuç, SMURFIT’in yeterli uv-əhatəsi və uygun deconvolution üsuli bulunduğunda radio-interferometrik görüntüləməyi məkan tezliyia görə təsirli biçimde dtorıtabildiğidir. Bununla belə üsulin həqiqi SKA üretim vərilərinde, daha böyük görüntülerde və 10’dan fazla düyünde doğrulanması lazımdır.

Mənbə və Metod Notu

Çalışmanın tam özgün adı:SMURFIT: Spatial-frequency Multi-class Radio Fourier Imaging Technique

Müəlliflər və sıralama: Sunrise Wang, Simon Prunet, Shan Migqeyd və Andre Ferrari.

Eş birinci yazar: Çalışmada bərabər töhfə və ya eş birinci yazarlık bilgisi belirtilmemiştir.

Məsul müəllif: Sunrise Wang. Çalışmada ilətişim adresi sunrise.wang@oca.eu olaraq vərilmiştir.

Qurumsal btorlantı: Univərsité Côte d’Azur, Observatoire de la Côte d’Azur, CNRS, 06000 Nice, Fransa. Yüklenen sürümde dört yazar da eyni qurumsal işaret altında gösterilmiştir.

DOI:10.2139/ssrn.6967740.

Jurnal: Belirli bir hakemli dergi adı vərilməmişdir. Çalışmanın ilk sayfasında “Preprint submitted to Elsevier” ifadesi vardır; bu ifade təlavə başına bir Elsevier dergisi tarafından kabul və ya yayımlanma kanıtı değildir.

Yayın platforması: SSRN.

Özgün yayınevi: Hakemli son bir dergi yayınevi təsdiqlənməmişdir.

Yayın ili: 2026. Mətnde preprint gönderim tarihi 17 Haziran 2026, SSRN kayıt tarihi ise 19 Haziran 2026 olaraq yer alır.

Mənbə növü: Sayısal üsul, simüle vəri analizi və yüksək performanslı hesablama təcrübələri içeren təlavənik araşdırma preprinti.

Hakemlik vəziyyəti: Bu çalışma rəyçi qiymətləndirməsindən keçməmiş bir preprinttir; nəticələrı bu sınırlılık dikkate alınarak okunmalıdır. Her sayfanın altında da çalışmanın rəyçi qiymətləndirməsinden gecmediği belirtilməlavətedir.

Resmî yayın btorlantısı:SSRN resmî çalışma kaydı.

Kod və təcrübə deposu:Araşdırmaçıların radyo görüntüləmə deposu.

Bu Türkçe açıqlama, yüklenen çalışma metni, formülleri, cədvəlları, qrafik və görüntüleri baştan sona incelenerəlavə hazırlanmıştır. Bilimsel tapıntılara dış resurslardan yeni sonuç əlavəlenmemiştir. Dış doğrulama yalnızca müəlliflərın tam adları, sıralaması, DOI, SSRN kaydı və yayın vəziyyətunun kontrolü üçün istifadə edilmişdir.

Çalışmanın temel üsulsel sınırları; həqiqi SKA vərisi yerine simulyasiya kullanılması, görüntülerin 512 × 512 pikselle sınırlı olması, küynün həqiqi araç duyarlılığı yerine siqnal standart sapmasının %5’i olaraq belirlenmesi, təcrübələrin en fazla 10 düyünde həqiqiləştirilmesi və 50 düyünlü sonucun yalnızca kuramsal yük bsahəslaşdırma tahmini olmasıdır. Sgr B2 təcrübələri ayrıca zayıf uv-əhatəsinın dtorıtık deconvolution kalitesini ciddi biçimde təsirleyebiləceğini göstərir.