Una red neuronal para la detección de exoplanetas en series temporales de velocidad radial

• Autores: Nieto, Luis Agustín
• Año de publicación: 2020
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Díaz, Rodrigo Fernando; Segura, Enrique Carlos
• Materia: ASTRONOMIA; VELOCIDAD RADIAL; EXOPLANETAS; ANALISIS DE SEÑALES; REDES NEURONALES; APRENDIZAJE PROFUNDO; ASTRONOMY; RADIAL VELOCITY; EXOPLANETS; SIGNAL ANALYSIS; NEURAL NETWORKS; DEEP LEARNING
• Institución: Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales

El estudio de planetas extrasolares es un campo de investigación relativamente nuevo. Hace apenas 25 años se confirmaba el descubrimiento del primer exoplaneta en torno a una estrella de tipo solar y, gracias a las mejoras en instrumentos y técnicas, este número de cuerpos celestes fue creciendo rápidamente utilizando, principalmente, los métodos de velocidad radial y tránsito. Misiones como GAIA¹ y TESS², junto a otros proyectos, como el relevo VVV³ o el LSST⁴, están aportando una cantidad cada vez más grande de información astronómica y la comunidad está mirando hacia la ciencia de datos y a las diferentes técnicas de inteligencia artificial como un apoyo importante ante esta avalancha de información. Ya en los últimos tiempos han comenzado a aparecer trabajos en el campo de planetas extrasolares que hacen uso de estas herramientas, algunos con resultados que incluso superan los obtenidos con las últimas técnicas en el campo. El método de velocidad radial busca detectar la presencia planetaria mediante caracterizaciones de los movimientos de su estrella central. Los diferentes ruidos provocados por la variabilidad intrínseca de la estrella, sumados al error instrumental y variabilidad temporal en la toma de datos, pueden dificultar la interpretación de los mismos e incluso generar falsas detecciones. En este trabajo, se propone una red neuronal que reemplaza un cálculo crucial de este método, se generan señales sintéticas de estrellas de tipo solar y se comparan las aplicaciones de ambas implementaciones. La red alcanza un 28 % menos de falsos positivos en la detección de planetas con una mejora sustancial en la velocidad de ejecución de cinco órdenes de magnitud, haciéndola ideal para su aplicación en grandes volúmenes de datos. Los prometedores resultados obtenidos son la base para trabajos futuros cuyo objetivo final es la aplicación sobre señales reales, y esperamos que sirvan como base para reforzar la importancia de los trabajos interdisciplinarios dentro de las ciencias de la computación.
The study of extrasolar planets is a relatively new field of research. Just over 25 years ago, the discovery of the first exoplanet around a solar-type star was confirmed and, thanks to technical and instrumental improvements, the number of known exoplanets has been increasing rapidly, with most of them being detected using the radial velocity and transit methods. Missions such as GAIA⁵ and TESS⁶, along with other projects, such as the VVV survey⁷ or the LSST⁸, are contributing an ever greater amount of astronomical information, and the community is looking towards data science and different artificial intelligence techniques as an important support in the face of this avalanche of information. In recent times, some works began to emerge in the field of extrasolar planets that use these techniques, some with results that even exceed those obtained with the latest techniques in the field. The radial velocity method seeks to detect the presence of a planet through characterizations of the movements of its central star. The different noises caused by the intrinsic variability of the star, added to the instrumental error and temporal variability in data collection, can make data difficult to interpret and even lead to false detections. In this work, a neural network is proposed that replaces a crucial calculation of this method, synthetic stellar signals from solar-type stars are generated and the applications of both implementations are compared. The network achieves 28 % fewer false positives in planet detection and has a substantial improvement in execution speed of five orders of magnitude, making it ideal for application in large volumes of data. The promising results obtained are the basis for future work whose final objective is the application on real signals, and we hope that they will serve as a basis to reinforce the importance of interdisciplinary work within the field of computer science.
Fil: Nieto, Luis Agustín. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.