Estudio de los efectos sistemáticos de SOPHIE+ con algoritmos de aprendizaje automático

• Autores: Serrano Bell, Juan Ramón; Díaz, Rodrigo F
• Año de publicación: 2022
• Idioma: español castellano
• Tipo de recurso: artículo
• Materia: Ciencias Astronómicas; instrumentation: spectrographs; techniques: radial velocities; methods: data analysis
• Institución: Universidad Nacional de La Plata

SOPHIE+ es un espectrógrafo echelle ubicado en el Observatorio de Haute-Provence, Francia. Mediante calibración simultánea de la longitud de onda puede alcanzar precisiones cercanas alms-1. Sin embargo, el punto cero del instrumento presenta derivas a baja frecuencia de algunos ms-1 que deben ser corregidas para la alta precisión que requieren los programas actuales de búsqueda de exoplanetas. Con este fin se monitorean regularmente cuatro estrellas de velocidad radial constante, y se usan estas mediciones para corregir las velocidades observadas. En este trabajo, proponemos una nueva forma de realizar la corrección de punto cero de instrumentos como SOPHIE+. Usamos técnicas de aprendizaje automático supervisado para predecir los cambios de punto cero a partir de variables ambientales, instrumentales, y observacionales. Construimos un conjunto de datos con 645 observaciones y más de 120 variables. Exploramos distintos algoritmos y logramos predecir las variaciones instrumentales de la velocidad radial con una precisión de 1.47 ms’1. Estas técnicas tienen el potencial de permitir realizar la corrección sin necesidad de observar estrellas constantes y de obtener conocimiento sobre el instrumento que permita mejorar su estabilidad y precisión.
SOPHIE+ is a echelle spectrograph located in Haute-Provence Observatory, France. It can reach a precision of near 1 ms-1 by simultaneus calibration. However, the zero point shows a low frequency drift of a few ms-1 that must be corrected to achieve the needed precision for the current exoplanet search programs. To this end, four radial velocity standard stars are monitored regularly to measure the instrumental drift. In this work, we propose a new way to correct the instrumental drift of instruments like SOPHIE+. We use supervised machine learning techniques to predict the zero point drift with environmental, instrumental and observational features as input. A dataset with 645 observations and more than 120 features was built. We explored various algorithms and achieved a precision of 1.47 ms-1 precision on the predictions of the instrumental drift. These techniques have the potential of allowing a method of correction without the need of monitoring standard stars and also can give us knowledge about the instrument that could be used to improve its stability and precision.
Asociación Argentina de Astronomía
Facultad de Ciencias Astronómicas y Geofísicas