Aprendizaje automático para la detección de exoplanetas mediante el método de velocidad radial

Autores
Waehner, Nicolás
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
tesis de grado
Estado
versión publicada
Colaborador/a o director/a de tesis
Díaz, Rodrigo Fernando
Nieto, Luis Agustín
Descripción
Hace tan solo 30 años se descubrió el primer exoplaneta orbitando a una estrella de tipo solar. Al día de hoy, más de 5900 han sido detectados y su número sigue creciendo rápidamente gracias a los avances tecnológicos. El método de velocidad radial (RV, por sus siglas en inglés) ha resultado uno de los más exitosos y prometedores para la detección de planetas a partir de los movimientos que estos inducen en su estrella. Si bien las mejoras instrumentales han logrado medir variaciones de velocidades cada vez más pequeñas, el ruido por la propia actividad estelar y el muestreo irregular pueden dificultar la detección de señales planetarias y generar falsas detecciones. Debido a ello, técnicas de aprendizaje automático han comenzado a ser exploradas con el objetivo de solventar este problema. En esta tesis se construye una red neuronal convolucional con una capa de atención para detectar señales planetarias en estrellas de tipo solar, utilizando mediciones simuladas de RV generadas sobre calendarios de observación representativos de la búsqueda de exoplanetas. La red obtiene un 54 % menos de falsos positivos que el enfoque tradicional basado en la hipótesis nula, sin aumentar la cantidad de falsos negativos. Esta mejora está principalmente concentrada en señales de baja amplitud, asociadas a planetas de baja masa. Por otro lado, se analizaron los pesos de la capa de atención con el objetivo de identificar qué regiones de la entrada prioriza el modelo durante la clasificación. Se encontró una correlación entre estos pesos y la predicción de la red. Se evaluó su desempeño sobre 159 señales reales de estrellas con al menos un planeta detectado, obteniendo una correcta clasificación en la mayoría de los casos. Además, se los utilizó para realizar un ajuste fino (fine-tuning) sobre la red, mejorando su capacidad de detección sobre datos reales. Estos resultados muestran el potencial uso de redes neuronales como posible herramienta superadora para la detección de señales planetarias en mediciones de velocidad radial.
Only 30 years ago, the first exoplanet orbiting a Sun-like star was discovered. To date, more than 5900 have been detected, and the number continues to grow rapidly thanks to technological advances. The radial velocity (RV) method has proven to be one of the most successful and promising techniques for detecting planets through the motions they induce on their host stars. While instrumental improvements have enabled the measurement of increasingly smaller velocity variations, stellar activity and irregular sampling can make the detection of planetary signals more difficult and lead to false positives. For this reason, machine learning techniques have recently begun to be explored to address this challenge. In this thesis, we develop a convolutional neural network with an attention layer to detect planetary signals in Sun-like stars, using simulated RV measurements generated over observation calendars representative of exoplanet searches. The network achieves 54 % fewer false positives than the traditional null-hypothesis-based approach, without increasing the number of false negatives. This improvement is mainly concentrated in low amplitude signals, associated with low mass planets. In addition, the attention layer weights were analyzed to identify which regions of the input the model prioritizes during classification, revealing a correlation between these weights and the network’s predictions. The method was further evaluated on 159 real signals from stars with at least one confirmed planet and achieved correct classifications in most cases. These data were also used to perform fine-tuning on the network, enhancing its detection capability on real observations. Overall, these results highlight the potential of neural networks as a promising tool for the detection of planetary signals in radial velocity measurements.
Fil: Waehner, Nicolás. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
Repositorio
Biblioteca Digital (UBA-FCEN)
Institución
Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
OAI Identificador
seminario:seminario_nFIS000256_Waehner
Acceder
id BDUBAFCEN_a77f43457b13942a153f74105d1ff168
oai_identifier_str seminario:seminario_nFIS000256_Waehner
network_acronym_str BDUBAFCEN
repository_id_str 1896
network_name_str Biblioteca Digital (UBA-FCEN)
spelling Aprendizaje automático para la detección de exoplanetas mediante el método de velocidad radialWaehner, NicolásHace tan solo 30 años se descubrió el primer exoplaneta orbitando a una estrella de tipo solar. Al día de hoy, más de 5900 han sido detectados y su número sigue creciendo rápidamente gracias a los avances tecnológicos. El método de velocidad radial (RV, por sus siglas en inglés) ha resultado uno de los más exitosos y prometedores para la detección de planetas a partir de los movimientos que estos inducen en su estrella. Si bien las mejoras instrumentales han logrado medir variaciones de velocidades cada vez más pequeñas, el ruido por la propia actividad estelar y el muestreo irregular pueden dificultar la detección de señales planetarias y generar falsas detecciones. Debido a ello, técnicas de aprendizaje automático han comenzado a ser exploradas con el objetivo de solventar este problema. En esta tesis se construye una red neuronal convolucional con una capa de atención para detectar señales planetarias en estrellas de tipo solar, utilizando mediciones simuladas de RV generadas sobre calendarios de observación representativos de la búsqueda de exoplanetas. La red obtiene un 54 % menos de falsos positivos que el enfoque tradicional basado en la hipótesis nula, sin aumentar la cantidad de falsos negativos. Esta mejora está principalmente concentrada en señales de baja amplitud, asociadas a planetas de baja masa. Por otro lado, se analizaron los pesos de la capa de atención con el objetivo de identificar qué regiones de la entrada prioriza el modelo durante la clasificación. Se encontró una correlación entre estos pesos y la predicción de la red. Se evaluó su desempeño sobre 159 señales reales de estrellas con al menos un planeta detectado, obteniendo una correcta clasificación en la mayoría de los casos. Además, se los utilizó para realizar un ajuste fino (fine-tuning) sobre la red, mejorando su capacidad de detección sobre datos reales. Estos resultados muestran el potencial uso de redes neuronales como posible herramienta superadora para la detección de señales planetarias en mediciones de velocidad radial.Only 30 years ago, the first exoplanet orbiting a Sun-like star was discovered. To date, more than 5900 have been detected, and the number continues to grow rapidly thanks to technological advances. The radial velocity (RV) method has proven to be one of the most successful and promising techniques for detecting planets through the motions they induce on their host stars. While instrumental improvements have enabled the measurement of increasingly smaller velocity variations, stellar activity and irregular sampling can make the detection of planetary signals more difficult and lead to false positives. For this reason, machine learning techniques have recently begun to be explored to address this challenge. In this thesis, we develop a convolutional neural network with an attention layer to detect planetary signals in Sun-like stars, using simulated RV measurements generated over observation calendars representative of exoplanet searches. The network achieves 54 % fewer false positives than the traditional null-hypothesis-based approach, without increasing the number of false negatives. This improvement is mainly concentrated in low amplitude signals, associated with low mass planets. In addition, the attention layer weights were analyzed to identify which regions of the input the model prioritizes during classification, revealing a correlation between these weights and the network’s predictions. The method was further evaluated on 159 real signals from stars with at least one confirmed planet and achieved correct classifications in most cases. These data were also used to perform fine-tuning on the network, enhancing its detection capability on real observations. Overall, these results highlight the potential of neural networks as a promising tool for the detection of planetary signals in radial velocity measurements.Fil: Waehner, Nicolás. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.Universidad de Buenos Aires. Facultad de Ciencias Exactas y NaturalesDíaz, Rodrigo FernandoNieto, Luis Agustín2025-09-09info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttps://hdl.handle.net/20.500.12110/seminario_nFIS000256_Waehnerspainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/arreponame:Biblioteca Digital (UBA-FCEN)instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesinstacron:UBA-FCEN2026-10-01T10:20:33Zseminario:seminario_nFIS000256_WaehnerInstitucionalhttps://digital.bl.fcen.uba.ar/Universidad públicaNo correspondehttps://digital.bl.fcen.uba.ar/cgi-bin/oaiserver.cgiana@bl.fcen.uba.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:18962026-10-01 10:20:37.087Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesfalse
dc.title.none.fl_str_mv Aprendizaje automático para la detección de exoplanetas mediante el método de velocidad radial
title Aprendizaje automático para la detección de exoplanetas mediante el método de velocidad radial
spellingShingle Aprendizaje automático para la detección de exoplanetas mediante el método de velocidad radial
Waehner, Nicolás
title_short Aprendizaje automático para la detección de exoplanetas mediante el método de velocidad radial
title_full Aprendizaje automático para la detección de exoplanetas mediante el método de velocidad radial
title_fullStr Aprendizaje automático para la detección de exoplanetas mediante el método de velocidad radial
title_full_unstemmed Aprendizaje automático para la detección de exoplanetas mediante el método de velocidad radial
title_sort Aprendizaje automático para la detección de exoplanetas mediante el método de velocidad radial
dc.creator.none.fl_str_mv Waehner, Nicolás
author Waehner, Nicolás
author_facet Waehner, Nicolás
author_role author
dc.contributor.none.fl_str_mv Díaz, Rodrigo Fernando
Nieto, Luis Agustín
dc.description.none.fl_txt_mv Hace tan solo 30 años se descubrió el primer exoplaneta orbitando a una estrella de tipo solar. Al día de hoy, más de 5900 han sido detectados y su número sigue creciendo rápidamente gracias a los avances tecnológicos. El método de velocidad radial (RV, por sus siglas en inglés) ha resultado uno de los más exitosos y prometedores para la detección de planetas a partir de los movimientos que estos inducen en su estrella. Si bien las mejoras instrumentales han logrado medir variaciones de velocidades cada vez más pequeñas, el ruido por la propia actividad estelar y el muestreo irregular pueden dificultar la detección de señales planetarias y generar falsas detecciones. Debido a ello, técnicas de aprendizaje automático han comenzado a ser exploradas con el objetivo de solventar este problema. En esta tesis se construye una red neuronal convolucional con una capa de atención para detectar señales planetarias en estrellas de tipo solar, utilizando mediciones simuladas de RV generadas sobre calendarios de observación representativos de la búsqueda de exoplanetas. La red obtiene un 54 % menos de falsos positivos que el enfoque tradicional basado en la hipótesis nula, sin aumentar la cantidad de falsos negativos. Esta mejora está principalmente concentrada en señales de baja amplitud, asociadas a planetas de baja masa. Por otro lado, se analizaron los pesos de la capa de atención con el objetivo de identificar qué regiones de la entrada prioriza el modelo durante la clasificación. Se encontró una correlación entre estos pesos y la predicción de la red. Se evaluó su desempeño sobre 159 señales reales de estrellas con al menos un planeta detectado, obteniendo una correcta clasificación en la mayoría de los casos. Además, se los utilizó para realizar un ajuste fino (fine-tuning) sobre la red, mejorando su capacidad de detección sobre datos reales. Estos resultados muestran el potencial uso de redes neuronales como posible herramienta superadora para la detección de señales planetarias en mediciones de velocidad radial.
Only 30 years ago, the first exoplanet orbiting a Sun-like star was discovered. To date, more than 5900 have been detected, and the number continues to grow rapidly thanks to technological advances. The radial velocity (RV) method has proven to be one of the most successful and promising techniques for detecting planets through the motions they induce on their host stars. While instrumental improvements have enabled the measurement of increasingly smaller velocity variations, stellar activity and irregular sampling can make the detection of planetary signals more difficult and lead to false positives. For this reason, machine learning techniques have recently begun to be explored to address this challenge. In this thesis, we develop a convolutional neural network with an attention layer to detect planetary signals in Sun-like stars, using simulated RV measurements generated over observation calendars representative of exoplanet searches. The network achieves 54 % fewer false positives than the traditional null-hypothesis-based approach, without increasing the number of false negatives. This improvement is mainly concentrated in low amplitude signals, associated with low mass planets. In addition, the attention layer weights were analyzed to identify which regions of the input the model prioritizes during classification, revealing a correlation between these weights and the network’s predictions. The method was further evaluated on 159 real signals from stars with at least one confirmed planet and achieved correct classifications in most cases. These data were also used to perform fine-tuning on the network, enhancing its detection capability on real observations. Overall, these results highlight the potential of neural networks as a promising tool for the detection of planetary signals in radial velocity measurements.
Fil: Waehner, Nicolás. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
description Hace tan solo 30 años se descubrió el primer exoplaneta orbitando a una estrella de tipo solar. Al día de hoy, más de 5900 han sido detectados y su número sigue creciendo rápidamente gracias a los avances tecnológicos. El método de velocidad radial (RV, por sus siglas en inglés) ha resultado uno de los más exitosos y prometedores para la detección de planetas a partir de los movimientos que estos inducen en su estrella. Si bien las mejoras instrumentales han logrado medir variaciones de velocidades cada vez más pequeñas, el ruido por la propia actividad estelar y el muestreo irregular pueden dificultar la detección de señales planetarias y generar falsas detecciones. Debido a ello, técnicas de aprendizaje automático han comenzado a ser exploradas con el objetivo de solventar este problema. En esta tesis se construye una red neuronal convolucional con una capa de atención para detectar señales planetarias en estrellas de tipo solar, utilizando mediciones simuladas de RV generadas sobre calendarios de observación representativos de la búsqueda de exoplanetas. La red obtiene un 54 % menos de falsos positivos que el enfoque tradicional basado en la hipótesis nula, sin aumentar la cantidad de falsos negativos. Esta mejora está principalmente concentrada en señales de baja amplitud, asociadas a planetas de baja masa. Por otro lado, se analizaron los pesos de la capa de atención con el objetivo de identificar qué regiones de la entrada prioriza el modelo durante la clasificación. Se encontró una correlación entre estos pesos y la predicción de la red. Se evaluó su desempeño sobre 159 señales reales de estrellas con al menos un planeta detectado, obteniendo una correcta clasificación en la mayoría de los casos. Además, se los utilizó para realizar un ajuste fino (fine-tuning) sobre la red, mejorando su capacidad de detección sobre datos reales. Estos resultados muestran el potencial uso de redes neuronales como posible herramienta superadora para la detección de señales planetarias en mediciones de velocidad radial.
publishDate 2025
dc.date.none.fl_str_mv 2025-09-09
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_7a1f
info:ar-repo/semantics/tesisDeGrado
format bachelorThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.12110/seminario_nFIS000256_Waehner
url https://hdl.handle.net/20.500.12110/seminario_nFIS000256_Waehner
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
dc.source.none.fl_str_mv reponame:Biblioteca Digital (UBA-FCEN)
instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron:UBA-FCEN
reponame_str Biblioteca Digital (UBA-FCEN)
collection Biblioteca Digital (UBA-FCEN)
instname_str Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron_str UBA-FCEN
institution UBA-FCEN
repository.name.fl_str_mv Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
repository.mail.fl_str_mv ana@bl.fcen.uba.ar
_version_ 1877857596211200000
score 12.854657

Publicaciones similares