A deep learning approach for the identification of new exoplanet candidates
No Thumbnail Available
Date
2025
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
El descubrimiento de nuevos exoplanetas—planetas fuera de nuestro Sistema Solar—es esencial para comprender la estructura actual del Universo y la formación del sistema solar, incluido nuestro propio planeta: la Tierra. Uno de los métodos más utilizados para la detección es el método de tránsito, en el que un planeta pasa frente a su estrella, causando una disminución en el brillo de la estrella. Telescopios espaciales como TESS están diseñados para buscar planetas utilizando este método, generando grandes conjuntos de datos a partir de curvas de luz—una serie temporal que mide la variación en el brillo de una estrella a lo largo del tiempo. Estos conjuntos de datos extensos presentan grandes oportunidades, pero también numerosos desafíos. Las técnicas tradicionales de análisis de curvas de luz, comúnmente utilizadas para la detección de exoplanetas, requieren curvas de luz que contengan múltiples eventos de tránsito periódicos del mismo objeto, y no siempre son eficaces para identificar señales de tránsito poco comunes, como los tránsitos únicos de planetas de período
largo. Además, el gran volumen de datos aumenta el riesgo de errores humanos, lo que resalta la necesidad de sistemas automatizados para identificar y validar con precisión los candidatos a exoplanetas. Para abordar estos desafíos y la rápida expansión de los datos astronómicos, los sistemas automatizados se han vuelto cada vez más esenciales para analizar grandes cantidades de datos astronómicos. Los algoritmos de aprendizaje automático, especialmente las redes neuronales (NN), pueden procesar conjuntos de datos a gran escala y aprender patrones complejos de las curvas de luz, mejorando así la identificación de señales de tránsito de exoplanetas. En esta tesis, proponemos un enfoque novedoso para la identificación y detección de nuevos candidatos a exoplanetas sin la necesidad de realizar plegado de fases ni asumir periodicidad en las señales de tránsito, como las que se observan en las curvas de luz de múltiples tránsitos. Para lograr esto, primero implementamos una arquitectura diseñada para identificar las características más significativas de una señal de tránsito y parámetros estelares a través del mecanismo de auto-atención, con el fin de distinguir la señal de tránsito de un exoplaneta de los falsos positivos. Luego, extendimos este enfoque inspirado en Transformers para procesar directamente las curvas de luz y detectar nuevos candidatos a exoplanetas, en lugar de solo clasificar los tránsitos como planetas reales o falsos positivos. Las arquitecturas basadas en atención, como los Transformers, han demostrado recientemente un notable éxito en el procesamiento de datos secuenciales, capturando eficazmente dependencias a largo alcance en comparación con enfoques anteriores. Como resultado, nuestro enfoque identificó 214 nuevos candidatos a sistemas planetarios, incluyendo 122 curvas de luz de múltiples tránsitos, 88 de tránsito único y 4 sistemas multi-planetas de los sectores 1-26 de TESS con un radio >0.27 RJupiter. Este trabajo representa un avance significativo en la automatización del proceso de descubrimiento de exoplanetas. En resumen, esta tesis presenta una metodología para identificar señales de
tránsito de exoplanetas utilizando redes neuronales basadas en atención. Una contribución clave es el desarrollo de una red neuronal capaz de detectar nuevos candidatos a exoplanetas sin depender de parámetros previos de los tránsitos, superando las limitaciones de los enfoques anteriores que requieren información de tránsito predefinida. Los resultados demuestran el poder de esta metodología para mejorar la automatización de los descubrimientos de exoplanetas.
Description
Tesis (Doctor in Engineering Science)--Pontificia Universidad Católica de Chile, 2025