DeepSurveySim

DeepSurveySim是由费米国家加速器实验室开发的开放源代码模拟软件，用于天文观测调度的高保真和灵活模拟。该工具旨在生成基准数据集，评估地面望远镜调度算法的有效性，特别是对于机器学习算法。数据集内容包括多种观测条件和配置，用于模拟不同的天文观测场景。创建过程涉及使用Astropy和SkyBright等包进行条件计算，以及跟踪望远镜的物理配置。应用领域包括优化天文观测调度，解决观测目标多样性和复杂性带来的挑战。

DeepSurveySim is an open-source simulation software developed by Fermi National Accelerator Laboratory, designed for high-fidelity and flexible simulations of astronomical observation scheduling. This tool aims to generate benchmark datasets to evaluate the effectiveness of ground-based telescope scheduling algorithms, particularly machine learning-based ones. The dataset includes diverse observation conditions and configurations for simulating various astronomical observation scenarios. Its development involves conditional calculations using packages such as Astropy and SkyBright, as well as tracking the physical configurations of telescopes. Its application areas include optimizing astronomical observation scheduling and addressing challenges arising from the diversity and complexity of observation targets.

原始信息汇总

数据集概述

摘要

现代天文调查有多个相互竞争的科学目标。优化这些目标的观测计划提出了重大的计算和理论挑战，而最先进的方法依赖于昂贵的人工检查模拟望远镜计划。自动化方法，如强化学习，最近已被探索以加速调度。DeepSurveySim 提供了跟踪和近似用户提供的望远镜配置的观测条件的方法。

安装

从 pip 安装

简单运行以下命令：

pip install DeepSurveySim

这将安装项目及其所有强制性要求。

如果希望添加可选的 skybright，使用以下命令：

pip install git+https://github.com/ehneilsen/skybright.git

不安装此项将导致丢失变量 sky_magintude、tau 和 teff，但将在大多数（如果不是所有）机器上运行。

从源代码安装

项目使用 poetry 构建，这是推荐的安装方法。所有依赖项在 poetry.lock 文件中解析，因此可以从命令行立即安装：

git clone https://github.com/deepskies/DeepSurveySim.git poetry shell poetry install poetry add git+https://github.com/ehneilsen/skybright.git

假设您已经在基础环境中安装了 poetry。这将使用锁定文件安装所有正确的版本。要使用已安装的环境，使用命令 poetry shell 进入该环境。命令 exit 将带您退出此环境，就像任何其他类型的虚拟环境一样。

否则，可以使用 pyproject.toml 与您选择的安装程序。

要验证所有依赖项是否正确安装 - 运行 python run pytest。

示例

作为 RL 的实时环境运行

python from DeepSurveySim.Survey.survey import Survey from DeepSurveySim.IO.read_config import ReadConfig

seo_config = ReadConfig( observator_configuration="DeepSurveySim/settings/SEO.yaml" )()

survey_config = ReadConfig( observator_configuration="DeepSurveySim/settings/equatorial_survey.yaml", survey=True )()

env = Survey(seo_config, survey_config) observation = env._observation_calculation()

stop = True while not stop: action = model.predict_action(observation) observation, reward, stop, log = env.step()

生成观测

python from DeepSurveySim.Survey.survey import Survey from DeepSurveySim.IO.read_config import ReadConfig

seo_config = ReadConfig( observator_configuration="DeepSurveySim/settings/SEO.yaml" )()

survey_config = ReadConfig( observator_configuration="DeepSurveySim/settings/equatorial_survey.yaml", survey=True )()

env = Survey(seo_config, survey_config) observations = env()

致谢

这项工作由 Fermi Research Alliance, LLC 根据与美国能源部高能物理办公室的合同号 DE-AC02-07CH11359 生产。出版商承认美国政府许可证，根据 DOE 公共访问计划提供公共访问。

我们感谢 Deep Skies Lab 作为一个多领域专家和合作者的社区，他们为开放讨论、创意生成和合作创造了一个环境。这个社区对这个项目的发展很重要。

我们感谢 Franco Terranova 和 Shohini Rhae 对初步版本包的测试帮助，以及 Eric Neilsen Jr. 的领域专业知识。

引用

如果此包对您的工作有用，我们请求您引用我们：

@misc{voetberg2023deepsurveysim, title={DeepSurveySim: Simulation Software and Benchmark Challenges for Astronomical Observation Scheduling}, author={Maggie Voetberg and Brian Nord}, year={2023}, eprint={2312.09092}, archivePrefix={arXiv}, primaryClass={astro-ph.IM} }

如果使用了 skybright 选项，我们也鼓励其引用：

@misc{skybright_Neilsen:2019, author = "Neilsen, Eric", title = "{skybright}", reportNumber = "FERMILAB-CODE-2019-01", doi = "10.11578/dc.20190212.1", month = "2", year = "2019" }

搜集汇总

数据集介绍

构建方式

在当代天文学观测领域，多目标科学任务的调度优化面临计算与理论的双重挑战。DeepSurveySim作为一款开源仿真工具，通过模块化设计构建数据集，其核心分为观测变量与巡天配置两大模块。用户可依据望远镜的物理位置与观测目标，通过配置文件灵活设定初始条件，仿真过程动态追踪望远镜的赤经、赤纬、滤波波段与时间参数，并整合Astropy与SkyBright等包计算日月位置、大气条件及近似天气。该工具采用按需计算策略，避免大规模存储需求，同时支持与Gymnasium API集成，为机器学习算法提供高效可复现的仿真环境。

特点

DeepSurveySim数据集在天文观测调度研究中展现出显著的高保真度与灵活性。其仿真框架精确模拟地面光学望远镜的观测条件，涵盖大气传输、视宁度及云层影响等多重变量，并允许用户根据历史气象数据调整天气近似模型。数据集设计强调可配置性，独立的配置文件支持不同观测场景与天文台的混合匹配，从而促进跨实验的比较与验证。此外，工具通过优化变量计算流程，在保持高精度的同时降低计算开销，特别适用于强化学习等数据驱动算法的训练与评估。

使用方法

该数据集主要用于天文观测调度算法的基准测试与性能评估。研究人员可基于DeepSurveySim提供的三个标准挑战问题——最大化预定天区观测质量、优化低可见度目标观测以及提升多站点图像质量均匀性——构建定制化仿真场景。用户通过配置观测策略与望远镜参数，生成时序调度序列，并利用工具内嵌的质量度量公式（如有效曝光时间）量化算法效能。数据集支持与主流机器学习框架无缝对接，使得算法能够在仿真环境中迭代优化，从而为实际观测任务的自动化调度提供可靠预训练与验证平台。

背景与挑战

背景概述

DeepSurveySim是由费米国家加速器实验室等机构的研究人员于近年开发的一款开源仿真软件，旨在为地基光学望远镜的观测调度提供高保真且灵活的模拟环境。该工具的出现源于现代天文学巡天项目中多目标竞争性观测带来的复杂调度需求，传统方法依赖人工检查模拟计划，效率低下且缺乏标准化评估框架。DeepSurveySim通过集成天空条件跟踪、望远镜位置模拟及天气近似计算等功能，为强化学习等自动化调度算法的训练与比较提供了可复现的基准数据集，推动了天文观测调度向数据驱动智能化方向的演进。

当前挑战

DeepSurveySim致力于解决天文观测调度中多目标优化与动态环境适应的核心难题，其挑战体现在领域问题与构建过程两方面。在领域层面，调度算法需平衡静态星系、瞬变天体等不同科学目标的竞争优先级，同时应对大气条件、云层干扰等随机因素，实现观测质量、覆盖均匀性与稀有事件捕获率的多目标优化。在构建过程中，仿真工具需高精度模拟望远镜运动、天空亮度及历史天气数据，并确保计算效率以支持机器学习训练，同时避免因简化模型（如忽略低海拔观测或随机宇宙事件）而引入的保真度局限。

常用场景

经典使用场景

在天文观测调度领域，DeepSurveySim 作为一款高保真模拟工具，其经典应用场景集中于为地面光学望远镜的观测计划生成基准数据集。该工具通过整合天体位置、望远镜配置及大气条件等多变量，能够模拟复杂的天文观测环境，特别适用于评估和比较不同调度算法的性能。研究人员利用其灵活的配置系统，可以针对特定科学目标，如静态星系或瞬变天体的观测，生成定制化的模拟数据，从而在受控环境中测试调度策略的有效性。

衍生相关工作

基于DeepSurveySim 的基准数据集，衍生了一系列经典研究工作，主要集中在自动化调度算法的开发与评估。例如，研究人员利用其与Gymnasium API的兼容性，构建了基于强化学习的调度模型，以优化观测质量或均匀性。此外，该工具启发了多目标优化框架的探索，如结合图神经网络处理瞬变天体观测的调度问题。这些工作不仅扩展了天文信息学的应用边界，也为跨领域如自主控制系统提供了方法论借鉴。

数据集最近研究

最新研究方向

在当代天文学观测领域，随着大型巡天项目如LSST的推进，望远镜调度优化已成为提升科学产出的关键挑战。DeepSurveySim作为高保真模拟工具，其前沿研究聚焦于利用强化学习等机器学习算法，在模拟环境中训练自主调度策略，以应对多目标竞争、天气干扰及瞬变天体追踪等复杂场景。该数据集通过标准化基准问题，促进了不同调度方法的比较与评估，为自动化观测规划提供了可重复的实验平台，有望加速下一代巡天项目的算法创新与部署。

相关研究论文

• DeepSurveySim: Simulation Software and Benchmark Challenges for Astronomical Observation Scheduling

  费米国家加速器实验室 · 2023年