Classification of astronomical objects

Abstract

La clasificación de objetos astronómicos es un problema desafiante en astronomía y de gran importancia en Chile. Actualmente, en el norte de Chile se construye el Observatorio Vera C. Rubin que espera recibir petabytes de observaciones. Proyectos chilenos han hecho esfuerzos considerables para crear clasificadores automáticos de objetos astronómicos. En esta tesis, investigamos cómo mejorar estos clasificadores considerando técnicas que pueden incluir más información en la clasificación. Seleccionamos dos de los desafíos más importantes de la clasificación de objetos astronómicos: 1) La información necesaria para clasificar los objetos astronómicos proviene de varias fuentes, y 2) existe una cantidad masiva de datos sin etiquetar en comparación con la cantidad limitada de datos etiquetados. En esta tesis se propone una nueva arquitectura llamada Astronomical Transformer for time series And Tabular data (ATAT) para hacer frente al primer desafío. Para el segundo desafío, estudiamos varias arquitecturas desde una perspectiva de Representation Learning, la perspectiva más estudiada de Machine Learning, para identificar los modelos que mejor utilizan los datos sin etiquetar. Además, se proporciona una metodología sobre cómo usar ATAT al considerar datos no etiquetados. Finalmente, concluimos con la importancia del trabajo presentado.