Algoritmos de Aprendizaje Automático para el estudio de efectos sistemáticos en las velocidades radiales obtenidas para la búsqueda de planetas extrasolares

Abstract

SOPHIE es un espectrógrafo echelle ubicado en el Observatorio de Haute-Provence, Francia. Mediante calibración simultánea de la longitud de onda puede alcanzar precisiones de velocidad radial (RV) cercanas a 1 m/s. Sin embargo, el punto cero del instrumento presenta derivas a baja frecuencia de algunos m/s que deben ser corregidas para alcanzar la alta precisión que requieren los programas actuales de búsqueda de exoplanetas. Con este fin se monitorean regularmente estrellas estándar de velocidad radial constante, y se usan estas mediciones para corregir las velocidades observadas por la variación del punto cero. En este trabajo, nos proponemos lograr una nueva forma de realizar la corrección de punto cero de instrumentos como SOPHIE. Usamos técnicas de aprendizaje automático supervisado para predecir los cambios de punto cero a partir de numerosas variables ambientales, instrumentales, y observacionales. Una vez entrenados, los algoritmos de aprendizaje automático tienen el potencial para permitirnos realizar la corrección sin necesidad de observar estrellas estándar de RV y de obtener conocimiento sobre el instrumento que permita mejorar su estabilidad y precisión. Exploramos distintos algoritmos hasta dar con un buen modelo y luego realizamos predicciones de la deriva del punto cero para un grupo de estrellas. Finalmente comparamos la corrección obtenida por nuestro modelo con la corrección realizada con observación de estrellas estándar.

SOPHIE is an echelle spectrograph located at the Haute-Provence Observatory, France. By simultaneous wavelength calibration, it can reach radial velocity (RV) accuracies close to 1 m s−1. However, the zero point of the instrument exhibits a low frequency drift of a few m s−1 which must be corrected to achieve the high precision required by current exoplanet search programs. To this end, standard stars of constant radial velocity are regularly monitored, and these measurements are used to correct the observed velocities for zero-point variation. In this work, we aim to achieve a new way to perform zero-point correction of instruments such as SOPHIE. We use supervised machine learning techniques to predict the zero-point drift from numerous environmental, instrumental, and observational variables. Once trained, the machine learning algorithms have the potential to allow us to perform the correction without the need to observe standard VR stars and to gain knowledge about the instrument to improve its stability and accuracy. We explored different algorithms until we found a good model and then made predictions of the zero-point drift for a group of stars. Finally, we compared the correction obtained by our model with the correction obtained by observing standard stars.