Predicción de curvas de luz de supernovas mediante redes neuronales recurrentes

Abstract

La astronomía es una ciencia que estudia el universo. Para entenderlo, los astrónomos analizan astros y eventos astronómicos. Un evento de interés corresponde a la explosión de una estrella, la supernova. Este es un evento transiente caracterizado por su rápido incremento de brillo y posterior decaimiento. Esto se estudia midiendo el brillo en el tiempo, lo que se conoce como curva de luz. Las curvas de las supernovas tienen características que dificultan su análisis: son escasas, irregulares, multivariadas, poseen largo variable, etc. En esta tesis se propone un predictor de curvas de luz de supernovas basado en redes neuronales recurrentes, denominado Supernovae Forecaster (SNeF). Además, se proponen estrategias, basadas en el error de observación y un modelo paramétrico para mejorar el entrenamiento, la predicción del modelo, y evaluar su desempeño. Este trabajo es pionero en la predicción de curvas de supernovas. El desempeño del modelo se evalúa en la base de datos ALeRCE-ZTF. El SNeF obtiene 0.348 y 7.479 en las métricas MASE y sMAPE respectivamente para las supernovas de tipo Ia, las que superan al modelo propuesto por el broker ALeRCE (0.629 y 13.846 respectivamente). Finalmente, dado un intervalo de predicción del 95 %, el 98 % de las observaciones fueron capturadas.