Clasificación automatizada de sistemas binarios eclipsantes detectados en el relevamiento VVV

Abstract

Con el advenimiento de grandes relevamientos sin precedentes realizados en el cielo, la ciencia moderna está siendo testigo del amanecer de la Astronomía de las grandes bases de datos, en la cual el manejo y el descubrimiento automático resultan esenciales e indispensables. En este contexto, las tareas de clasificación se encuentran entre las capacidades más requeridas que debe poseer una tubería de reducción de datos para compilar conjuntos de datos confiables, de manera que su procesamiento pueda lograrse con una eficiencia imposible de alcanzar mediante un tratamiento detallado y la intervención humana. El relevamiento VVV (VISTA variables in the Vía Láctea), en la parte meridional del disco Galáctico, incluye datos fotométricos de varias épocas necesarios para el posible descubrimiento de estrellas variables, incluidos los sistemas binarios eclipsantes (SBE). En este estudio, utilizamos un catálogo recientemente publicado de un centenar de SBE de la región d040 del VVV, clasificados de acuerdo a modelos teóricos como sistemas de contacto, separados o semi-separados. Describimos el método implementado para obtener dos modelos de aprendizaje automático, capaces de clasificar los SBE usando información extraída de las curvas de luz de los candidatos a objetos variables en el espacio de fase. Discutimos también la eficiencia de los modelos, la importancia relativa de sus características y las perspectivas futuras para la construcción de una extensa base de datos de SBE en el relevamiento VVV.

With the advent of unprecedentedly large surveys of the sky, modern science is witnessing the dawn of big data astronomy where automatic handling and discovery are essential and indispensable. In this context, classification tasks are among the most required skills a data reduction pipeline must possess to compile reliable datasets, so as to accomplish data processing with an efficiency impossible to achieve by means of detailed processing and human intervention. The VISTA Variables of the Vía Láctea (VVV) Survey, in the southern part of the Galactic disc, comprises multi-epoch photometric data necessary for the potential discovery of variable objects, including eclipsing binary systems (EBSs). In this study, we use a recently published catalogue of one hundred EBSs, classified by fine-tuning theoretical models according to contact, detached or semi-detached classes, belonging to the tile d040 of the VVV. We describe the method implemented to obtain two supervised machine learning models, capable of classifying EBSs using information extracted from the light curves of variable object candidates in the phase space. We also discuss the efficiency of the models, the relative importance of the features and future prospects to construct an extensive database of EBSs in the VVV survey.