Estimación del período correcto en curvas de luz mediante redes neuronales convolucionales

Abstract

El avance tecnológico ha impulsado la necesidad de adaptar las operaciones en diversas disciplinas, incluida la astronomía, que se ha beneficiado del crecimiento exponencial de datos sobre objetos y fenómenos en distintas bandas del espectro electromagnético. La astroinformática ha emergido como un campo integrador de técnicas de computación y estadística, permitiendo encontrar patrones y clasificar objetos astronómicos. Las estrellas variables, de gran importancia en la física moderna, aportan información valiosa sobre sus parámetros físicos y evolución, y pueden utilizarse como candelas estándar para medir distancias. Los cambios en su luminosidad, analizados mediante curvas de luz obtenidas por fotometría, permiten distinguir fenómenos transientes, estocásticos y periódicos, siendo el período una característica clave para objetos periódicos.

La estimación de períodos ha sido abordada mediante diversas técnicas, como el periodograma de Lomb-Scargle y métodos basados en teoría de la información y análisis de varianza. La confirmación del período estimado se realiza comparando la curva “doblada” calculada utilizando ese período de prueba, y analizando si la curva resultante se muestra limpia. Las redes neuronales, con su capacidad para generar características relevantes y captar relaciones complejas, ofrecen un enfoque prometedor para este problema. En el presente trabajo de tesis se propone un modelo basado en redes neuronales convolucionales para estimar el período correcto de estrellas variables periódicas a partir de su curva de luz doblada.

Los resultados reportan para curvas de luz simuladas tipo binarias eclipsantes y RR Lyrae un porcentaje de acierto promedio del 92.52% y 91.70 %, respectivamente. Para curvas de luz reales de las mismas clases se obtuvo un porcentaje de acierto promedio del 96.52% y 98.48 %, respectivamente, aplicando el modelo propuesto seguido de un proceso de finetuning. La solución se muestra con un desempeño mejor que los cuatro métodos alternativos implementados, salvo para simulaciones de RR Lyrae donde queda en tercer lugar después de PDM y LKSL. Dentro de los métodos evaluados se encuentra el método de análisis de varianza multiarmónico (MHAOV), aplicado por el broker ALeRCE. El modelo propuesto se presenta como una alternativa capaz de corregir las estimaciones con MHAOV para estrellas binarias eclipsantes reales y como un método de estimación efectivo para períodos de RR Lyrae reales.