Dynamische Veränderungen der atmosphärischen Turbulenz und die Verringerung der Helligkeit des Beobachtungsziels beeinträchtigen ernsthaft die Genauigkeit der Wellfrontdetektion mit dem Shack-Hartmann-Wellenfrontsensor (SHWFS). Um diese beiden komplexen Beobachtungsbedingungen zu bewältigen, wird in diesem Artikel ein neuronales Netzwerkmodell auf Basis der Transformer-Struktur vorgeschlagen, das eine gute globale Modellierungsfähigkeit besitzt und den Wellenfront aus SHWFS-Punktmusterbildern mit hoher Genauigkeit rekonstruieren kann. Durch Simulationen unter der dynamischen typischen atmosphärischen Turbulenzkohärenzlänge r₀ stabilisiert sich der verbleibende Wellenfront-RMS-Fehler des vorgeschlagenen Netzwerks zwischen 0,010 und 0,024 μm. Im Vergleich zu bestehenden Methoden kann die in diesem Artikel vorgestellte Methode den Wellenfront-Fehler genauer rekonstruieren. Darüber hinaus ist die Rekonstruktionsgenauigkeit dieser Methode kaum von Änderungen der Helligkeit des Leitsterns oder des Beobachtungsziels beeinflusst. Daher weist die Rekonstruktionsgenauigkeit dieser Methode eine starke Stabilität gegenüber Änderungen dieser beiden Beobachtungsbedingungen auf und bietet eine vielversprechende Methode für hochauflösende Bildgebung großer astronomischer optischer Teleskope.

adaptive Optik; tiefes Lernen; Shack-Hartmann-Wellenfrontsensor; Transformer; Wellenfrontrekonstruktion