FenixEdu™

Dissertação

{en_GB=Hunting for transiting exoplanets using advanced Machine Learning methods} {} EVALUATED

Detalhes: {pt=A busca por exoplanetas tornou-se um tópico ativo nos últimos anos e o processo para encontrá-los é demorado. Com cada vez mais missões a obter dados de estrelas vizinhas, aumenta a necessidade de encontrar processos autónomos para encontrar nesses dados planetas. Com isso em mente, investigadores e astrónomos estão a começar a utilizar técnicas de Aprendizagem Automática para auxiliá-los a classificar os enormes volumes de dados que chegam do espaço. Nesta investigação é desenvolvido um pipeline de dados com uma rede neuronal para ajudar os astrónomos na análise dos dados. Para treinar os modelos foram utilizados dados da missão espacial K2, especificamente das Campanhas 5, 12 e 18. O objetivo deste trabalho foi encontrar que melhorias podiam ser feitas em modelos anteriores que recebiam características das curvas de luz das estrelas relacionadas com os períodos mais prováveis de trânsito de exoplanetas. Por fim foi demonstrado que os modelos foram eficazes a classificar corretamente estrelas contendo exoplanetas. Análises posteriores feitas ao limiar de classificação revelaram que estes modelos servem um bom propósito como primeira ferramenta de auxílio aos astrónomos, garantindo limiares de separação de classificação com um bom rácio entre verdadeiros positivos e falsos positivos., en=The search for exoplanets has become a hot topic in the last years and the process to find them is time consuming. With ever more missions recording data from neighbouring stars, the need to find autonomous processes to search this data for planets is increasing. With this in mind, the researchers and the astronomers are turning their heads to Machine Learning techniques to help them classify the huge volumes of data arriving from space. In this research a data pipeline with a neural network is developed to help the astronomers in the analysis of data. To train the models, data from the K2 space mission was used, specifically from Campaigns 5, 12 and 18. The purpose of this work was to find improvements to previous models which were trained on features related to the highest confidence periods of possible transiting exoplanets from the light curves of the stars. In the end, results reveal that the models were effective at finding exoplanets and further analysis made on the threshold of classification showed that the models were fit as a first tool to be used by astronomers by being able to separate most positive samples from negative samples by a threshold. }
Keywords: {pt=Exoplanetas, Aprendizagem Automática, Aprendizagem Profunda, Redes Neuronais, Curvas de Luz, en=Exoplanets, Machine Learning, Deep Learning, Neural Networks, Light Curves}

Discussão: novembro 28, 2022, 10:0