Una red neuronal para la búsqueda de exoplanetas utilizando el método de velocidad radial

Autores
Nieto, L. A.; Díaz, R. F.; Segura, Enrique Carlos
Año de publicación
2021
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión publicada
Descripción
La búsqueda de exoplanetas es un campo que necesita fuertemente de la observación y el análisis de una gran cantidad de datos. Las mejoras en las técnicas e instrumentos posibilitaron que planetas con masas cada vez más pequeñas fuesen descubiertos usando los métodos de velocidad radial y tránsito; pero recién en los últimos tiempos se pudo empezar a sondear con detalle los planetas de masa y radio más pequeños de la población planetaria. En la actualidad misiones como GAIA y TESS aportan una cantidad cada vez más grande de información y la comunidad está mirando hacia la ciencia de datos y a las diferentes metodologías de inteligencia artificial como un apoyo importante ante esta avalancha de datos. Ya en los últimos años, han comenzado a aparecer trabajos en el campo de planetas extrasolares que hacen uso de estas técnicas. El objetivo de este trabajo es explorar los alcances de las redes neuronales en el análisis de señales y buscar mecanismos para complementar o sustituir los métodos actuales. Para ello se generaron datos sintéticos que buscan imitar las mediciones de velocidad radial de estrellas de tipo solar, y se diseñó y entrenó una red neuronal para clasificarlos. Se compararon los resultados con los del método más común para detectar planetas en series temporales, y se mostró que la red neuronal logra una disminución en un 28 % en los falsos positivos con una mejora de cinco órdenes de magnitud en el tiempo de ejecución.
The search for exoplanets is a field that strongly requires the observation and analysis of a large amount of data. Improvements in techniques and instruments made it possible for planets with increasingly smaller masses to be discovered using radial velocity and transit methods; but it was only recently that the planets with the smallest mass and radius of the planet population began to be probed in detail. This was largely due to the launch of the Kepler mission, and the improvement in the methods used to extract information from radial velocity data. At present, missions such as GAIA and TESS provide an increasingly large amount of information, and that is why the community is looking towards data science and the different artificial intelligence methodologies, as an important support in the face of this avalanche of data. Already in recent years, studies have begun to appear in the field of extrasolar planets that make use of these techniques. The objective of this work is to explore the scope of neural networks in signal analysis and look for mechanisms to complement or replace current methods. For this, synthetic data were generated that seek to imitate radial velocity measurements of solar-type stars, and a neural network was designed and trained to classify them. The results were compared with the most common method to detect planets in time series, and it was shown that the neural network achieves a decrease of 28 % in false positives with an improvement of five orders of magnitude in the execution time.
Asociación Argentina de Astronomía
Materia
Ciencias Astronómicas
methods: data analysis
planets and satellites: detection
techniques: radial velocities
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/166033
Acceder
id SEDICI_1ae7ad453b380922a722db5efbb92fb7
oai_identifier_str oai:sedici.unlp.edu.ar:10915/166033
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Una red neuronal para la búsqueda de exoplanetas utilizando el método de velocidad radialNieto, L. A.Díaz, R. F.Segura, Enrique CarlosCiencias Astronómicasmethods: data analysisplanets and satellites: detectiontechniques: radial velocitiesLa búsqueda de exoplanetas es un campo que necesita fuertemente de la observación y el análisis de una gran cantidad de datos. Las mejoras en las técnicas e instrumentos posibilitaron que planetas con masas cada vez más pequeñas fuesen descubiertos usando los métodos de velocidad radial y tránsito; pero recién en los últimos tiempos se pudo empezar a sondear con detalle los planetas de masa y radio más pequeños de la población planetaria. En la actualidad misiones como GAIA y TESS aportan una cantidad cada vez más grande de información y la comunidad está mirando hacia la ciencia de datos y a las diferentes metodologías de inteligencia artificial como un apoyo importante ante esta avalancha de datos. Ya en los últimos años, han comenzado a aparecer trabajos en el campo de planetas extrasolares que hacen uso de estas técnicas. El objetivo de este trabajo es explorar los alcances de las redes neuronales en el análisis de señales y buscar mecanismos para complementar o sustituir los métodos actuales. Para ello se generaron datos sintéticos que buscan imitar las mediciones de velocidad radial de estrellas de tipo solar, y se diseñó y entrenó una red neuronal para clasificarlos. Se compararon los resultados con los del método más común para detectar planetas en series temporales, y se mostró que la red neuronal logra una disminución en un 28 % en los falsos positivos con una mejora de cinco órdenes de magnitud en el tiempo de ejecución.The search for exoplanets is a field that strongly requires the observation and analysis of a large amount of data. Improvements in techniques and instruments made it possible for planets with increasingly smaller masses to be discovered using radial velocity and transit methods; but it was only recently that the planets with the smallest mass and radius of the planet population began to be probed in detail. This was largely due to the launch of the Kepler mission, and the improvement in the methods used to extract information from radial velocity data. At present, missions such as GAIA and TESS provide an increasingly large amount of information, and that is why the community is looking towards data science and the different artificial intelligence methodologies, as an important support in the face of this avalanche of data. Already in recent years, studies have begun to appear in the field of extrasolar planets that make use of these techniques. The objective of this work is to explore the scope of neural networks in signal analysis and look for mechanisms to complement or replace current methods. For this, synthetic data were generated that seek to imitate radial velocity measurements of solar-type stars, and a neural network was designed and trained to classify them. The results were compared with the most common method to detect planets in time series, and it was shown that the neural network achieves a decrease of 28 % in false positives with an improvement of five orders of magnitude in the execution time.Asociación Argentina de Astronomía2021info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionArticulohttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdf59-61http://sedici.unlp.edu.ar/handle/10915/166033spainfo:eu-repo/semantics/altIdentifier/issn/1669-9521info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-06-23T11:06:41Zoai:sedici.unlp.edu.ar:10915/166033Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-06-23 11:06:41.609SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Una red neuronal para la búsqueda de exoplanetas utilizando el método de velocidad radial
title Una red neuronal para la búsqueda de exoplanetas utilizando el método de velocidad radial
spellingShingle Una red neuronal para la búsqueda de exoplanetas utilizando el método de velocidad radial
Nieto, L. A.
Ciencias Astronómicas
methods: data analysis
planets and satellites: detection
techniques: radial velocities
title_short Una red neuronal para la búsqueda de exoplanetas utilizando el método de velocidad radial
title_full Una red neuronal para la búsqueda de exoplanetas utilizando el método de velocidad radial
title_fullStr Una red neuronal para la búsqueda de exoplanetas utilizando el método de velocidad radial
title_full_unstemmed Una red neuronal para la búsqueda de exoplanetas utilizando el método de velocidad radial
title_sort Una red neuronal para la búsqueda de exoplanetas utilizando el método de velocidad radial
dc.creator.none.fl_str_mv Nieto, L. A.
Díaz, R. F.
Segura, Enrique Carlos
author Nieto, L. A.
author_facet Nieto, L. A.
Díaz, R. F.
Segura, Enrique Carlos
author_role author
author2 Díaz, R. F.
Segura, Enrique Carlos
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Astronómicas
methods: data analysis
planets and satellites: detection
techniques: radial velocities
topic Ciencias Astronómicas
methods: data analysis
planets and satellites: detection
techniques: radial velocities
dc.description.none.fl_txt_mv La búsqueda de exoplanetas es un campo que necesita fuertemente de la observación y el análisis de una gran cantidad de datos. Las mejoras en las técnicas e instrumentos posibilitaron que planetas con masas cada vez más pequeñas fuesen descubiertos usando los métodos de velocidad radial y tránsito; pero recién en los últimos tiempos se pudo empezar a sondear con detalle los planetas de masa y radio más pequeños de la población planetaria. En la actualidad misiones como GAIA y TESS aportan una cantidad cada vez más grande de información y la comunidad está mirando hacia la ciencia de datos y a las diferentes metodologías de inteligencia artificial como un apoyo importante ante esta avalancha de datos. Ya en los últimos años, han comenzado a aparecer trabajos en el campo de planetas extrasolares que hacen uso de estas técnicas. El objetivo de este trabajo es explorar los alcances de las redes neuronales en el análisis de señales y buscar mecanismos para complementar o sustituir los métodos actuales. Para ello se generaron datos sintéticos que buscan imitar las mediciones de velocidad radial de estrellas de tipo solar, y se diseñó y entrenó una red neuronal para clasificarlos. Se compararon los resultados con los del método más común para detectar planetas en series temporales, y se mostró que la red neuronal logra una disminución en un 28 % en los falsos positivos con una mejora de cinco órdenes de magnitud en el tiempo de ejecución.
The search for exoplanets is a field that strongly requires the observation and analysis of a large amount of data. Improvements in techniques and instruments made it possible for planets with increasingly smaller masses to be discovered using radial velocity and transit methods; but it was only recently that the planets with the smallest mass and radius of the planet population began to be probed in detail. This was largely due to the launch of the Kepler mission, and the improvement in the methods used to extract information from radial velocity data. At present, missions such as GAIA and TESS provide an increasingly large amount of information, and that is why the community is looking towards data science and the different artificial intelligence methodologies, as an important support in the face of this avalanche of data. Already in recent years, studies have begun to appear in the field of extrasolar planets that make use of these techniques. The objective of this work is to explore the scope of neural networks in signal analysis and look for mechanisms to complement or replace current methods. For this, synthetic data were generated that seek to imitate radial velocity measurements of solar-type stars, and a neural network was designed and trained to classify them. The results were compared with the most common method to detect planets in time series, and it was shown that the neural network achieves a decrease of 28 % in false positives with an improvement of five orders of magnitude in the execution time.
Asociación Argentina de Astronomía
description La búsqueda de exoplanetas es un campo que necesita fuertemente de la observación y el análisis de una gran cantidad de datos. Las mejoras en las técnicas e instrumentos posibilitaron que planetas con masas cada vez más pequeñas fuesen descubiertos usando los métodos de velocidad radial y tránsito; pero recién en los últimos tiempos se pudo empezar a sondear con detalle los planetas de masa y radio más pequeños de la población planetaria. En la actualidad misiones como GAIA y TESS aportan una cantidad cada vez más grande de información y la comunidad está mirando hacia la ciencia de datos y a las diferentes metodologías de inteligencia artificial como un apoyo importante ante esta avalancha de datos. Ya en los últimos años, han comenzado a aparecer trabajos en el campo de planetas extrasolares que hacen uso de estas técnicas. El objetivo de este trabajo es explorar los alcances de las redes neuronales en el análisis de señales y buscar mecanismos para complementar o sustituir los métodos actuales. Para ello se generaron datos sintéticos que buscan imitar las mediciones de velocidad radial de estrellas de tipo solar, y se diseñó y entrenó una red neuronal para clasificarlos. Se compararon los resultados con los del método más común para detectar planetas en series temporales, y se mostró que la red neuronal logra una disminución en un 28 % en los falsos positivos con una mejora de cinco órdenes de magnitud en el tiempo de ejecución.
publishDate 2021
dc.date.none.fl_str_mv 2021
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Articulo
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/166033
url http://sedici.unlp.edu.ar/handle/10915/166033
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/issn/1669-9521
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
59-61
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1868982435154231296
score 13.365483

Publicaciones similares