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

Abstract

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.