超大型天文观测技术的出现不仅能够让研究人员观测到新的天文现象,更能用于验证已有物理模型的正确性.这些最新天文成果的发现是建立在海量天文数据的近乎实时产生、管理与分析的基础上,因此给目前的数据管理系统带来了新的挑战.以我国...超大型天文观测技术的出现不仅能够让研究人员观测到新的天文现象,更能用于验证已有物理模型的正确性.这些最新天文成果的发现是建立在海量天文数据的近乎实时产生、管理与分析的基础上,因此给目前的数据管理系统带来了新的挑战.以我国自主研发的地基广角相机阵(the ground-based wide-angle camera array,GWAC)天文望远镜为例,15s的采样和处理周期都处于短时标观测领域的世界前列,但却对数据管理系统提出了很多问题,包括多镜头并行输出数据管理、实时瞬变源发现、当前观测夜数据的秒级查询、数据持久化和快速离线查询等.基于上述问题,设计了分布式GWAC数据模拟生成器用于模拟真实GWAC数据产生场景,并基于产生的数据特性,提出一种两级缓存架构,使用本地内存解决多镜头并行输出、实时瞬变源发现,使用分布式共享内存实现秒级查询.为了平衡持久化和查询效率,设计一种星表簇结构将整个星表数据划分后聚集存储.根据天文需求特点,设计基于索引表的查询引擎能从缓存和星表簇以较小的代价对星表数据查询.通过实验验证,当前方案能够满足GWAC的需求.展开更多
大规模科学装置与重大科学实验使得科学发现进入了数据密集型的第四范式,借助蓬勃发展的人工智能技术促进智能科学发现势在必行.机器学习作为人工智能中的一项重要技术,已广泛应用于各个科学领域.然而,现有工作仅研究特定任务下的机器...大规模科学装置与重大科学实验使得科学发现进入了数据密集型的第四范式,借助蓬勃发展的人工智能技术促进智能科学发现势在必行.机器学习作为人工智能中的一项重要技术,已广泛应用于各个科学领域.然而,现有工作仅研究特定任务下的机器学习方法,没能抽象出一个通用的智能科学发现研究框架.本文首先总结了科学发现任务中常用的机器学习方法,并将科学任务归类为五大机器学习问题.其次,提出了基于机器学习的智能科学发现研究框架,作为“AI for Science”的典型范例,阐述了一种高效的智能科学发现模式.再次,本文以时域天文学中发现瞬变事件这一科学任务为例,通过实验证明了唯有恰当地结合领域知识后,机器学习算法才能更好地服务于智能科学发现,验证了该框架的有效性.最后进行总结与展望,以期对各领域进行智能科学发现形成参考意义.展开更多
天文望远镜为大型高精密仪器,对望远镜的控制系统性能提出了极高的要求。作为控制系统的核心器件,伺服控制器的性能决定了控制系统的性能。介绍了一种基于PMAC(Programmable Multi Axes Controller)控制器的天文望远镜控制系统,研究了P...天文望远镜为大型高精密仪器,对望远镜的控制系统性能提出了极高的要求。作为控制系统的核心器件,伺服控制器的性能决定了控制系统的性能。介绍了一种基于PMAC(Programmable Multi Axes Controller)控制器的天文望远镜控制系统,研究了PMAC伺服控制原理、PID参数整定方法及基于PMAC的天文望远镜运动控制系统基本原理,并以此为基础设计了天文望远镜伺服控制系统软、硬件体系。基于PMAC的天文望远镜控制系统主要特点在于,伺服系统采用了传统的PID反馈控制算法和前馈控制算法相结合的组合控制算法,有效地克服了外界扰动对望远镜控制过程的影响,获得了较好的动、静态性能;同时,针对望远镜不同的轴系传动方式,如直驱方式和齿轮传动方式,应用不同的PID参数整定方法,如阶跃整定法和基于速度测量+阶跃整定相结合的参数整定方法,可分别使系统获得较为理想的PID控制参数;另外,基于PMAC的天文望远镜控制系统,对于不同的驱动电机和不同的轴角测量元件,均具有较好的适应性。该系统已在国家天文台2.16 m天文望远镜上得到了应用,该项应用中,采用了"IPC+PMAC"的双CPU分级控制方式,并以VC++为软件平台,通过对于PMAC Pcomm32底层接口函数的调用,实现了基于工控机的望远镜界面操作和控制,同时,以PID反馈控制算法和前馈控制算法为基础,采用了PID参数自适应控制算法,保证了望远镜高速的运行平稳性,也实现了低速精确性和快速性的控制要求。技术研究和运行实践表明,基于PMAC的望远镜控制系统具有较高的控制精度和良好的通用性,可广泛应用在不同类型的天文望远镜系统。展开更多
文摘超大型天文观测技术的出现不仅能够让研究人员观测到新的天文现象,更能用于验证已有物理模型的正确性.这些最新天文成果的发现是建立在海量天文数据的近乎实时产生、管理与分析的基础上,因此给目前的数据管理系统带来了新的挑战.以我国自主研发的地基广角相机阵(the ground-based wide-angle camera array,GWAC)天文望远镜为例,15s的采样和处理周期都处于短时标观测领域的世界前列,但却对数据管理系统提出了很多问题,包括多镜头并行输出数据管理、实时瞬变源发现、当前观测夜数据的秒级查询、数据持久化和快速离线查询等.基于上述问题,设计了分布式GWAC数据模拟生成器用于模拟真实GWAC数据产生场景,并基于产生的数据特性,提出一种两级缓存架构,使用本地内存解决多镜头并行输出、实时瞬变源发现,使用分布式共享内存实现秒级查询.为了平衡持久化和查询效率,设计一种星表簇结构将整个星表数据划分后聚集存储.根据天文需求特点,设计基于索引表的查询引擎能从缓存和星表簇以较小的代价对星表数据查询.通过实验验证,当前方案能够满足GWAC的需求.
文摘大规模科学装置与重大科学实验使得科学发现进入了数据密集型的第四范式,借助蓬勃发展的人工智能技术促进智能科学发现势在必行.机器学习作为人工智能中的一项重要技术,已广泛应用于各个科学领域.然而,现有工作仅研究特定任务下的机器学习方法,没能抽象出一个通用的智能科学发现研究框架.本文首先总结了科学发现任务中常用的机器学习方法,并将科学任务归类为五大机器学习问题.其次,提出了基于机器学习的智能科学发现研究框架,作为“AI for Science”的典型范例,阐述了一种高效的智能科学发现模式.再次,本文以时域天文学中发现瞬变事件这一科学任务为例,通过实验证明了唯有恰当地结合领域知识后,机器学习算法才能更好地服务于智能科学发现,验证了该框架的有效性.最后进行总结与展望,以期对各领域进行智能科学发现形成参考意义.
