Aplicación de técnicas de deep learning para la búsqueda e identificación de exoplanetas a través del método del tránsito astronómico

Abstract

Un exoplaneta, también conocido como planeta extrasolar, es un planeta que orbita una estrella más allá de nuestro sistema solar. La existencia de estos planetas se conjeturó durante siglos pero no fue hasta la década de los 90 cuando se confirmó la existencia del primero. Desde entonces, el interés de la comunidad científica por encontrar nuevos planetas dentro de la zona de habitabilidad estelar no ha dejado de aumentar, propiciando el desarrollo de técnicas que permiten detectar con mayores garantías la presencia de estos objetos astronómicos situados a años luz de la Tierra. Este trabajo se centra en el estudio y desarrollo de diferentes herramientas de Machine Learning con el propósito de identificar y clasificar planetas extrasolares. Para ello se hace uso de información fotométrica y espectroscópica, datos relativos a los niveles de radiación electromagnética que emanan de la estrella orbitada por el exoplaneta una vez detectados por los filtros paso banda de los satélites artificiales. A este método se le conoce como «técnica del tránsito astronómico», y permite detectar disminuciones en la luminosidad de una estrella causadas por el posible tránsito de un planeta frente a ella, siempre desde la perspectiva del satélite artificial que la esté monitorizando. El resultado del registro continuado de la luminosidad de una estrella en el tiempo recibe el nombre de «curva de luz». En este trabajo, los datos empleados para la construcción de los modelos son los recopilados por el telescopio estelar Kepler durante sus cuatro años de actividad (entre 2009 y 2013), con un total de 15 737 curvas de luz de más de 10 000 estrellas. Como se podrá comprobar, las curvas de luz en su estado original no son aptas para su aplicación directa a modelos de aprendizaje automático, por lo que requieren de un exhaustivo pre procesado a fin de discriminar las fluctuaciones naturales de la radiación estelar de aquellas provocadas por el tránsito del posible exoplaneta. An exoplanet, or extrasolar planet, is a planet that orbits a star beyond our solar system. The existence of these planets was hypothesized for centuries, but it wasn’t until the 1990s that the first one was confirmed. Since then, interest in discovering new planets in the habitable zone has grown within the scientific community. This has spurred the development of techniques for more reliable detection of these distant astronomical bodies. This study focuses on the exploration and development of various machine learning tools for the purpose of identifying and classifying extrasolar planets. For this purpose, we use photometric and spectroscopic information, which is data related to the electromagnetic radiation levels emanating from the star orbited by the exoplanet, once detected by the passband filters of artificial satellites. This method, known as the “astronomical transit technique”, enables the detection of decreases in a star’s brightness caused by a potential planet passing in front of it, as seen from the perspective of the monitoring artificial satellite. The continuous record of a star’s brightness over time is referred to as a “light curve”. In this study, the data used to build the models were collected by the Kepler space telescope during its four years of operation (from 2009 to 2013), with a total of 15,737 light curves from over 10,000 stars. As will be demonstrated, the raw light curves are not suitable for direct application to machine learning models and require extensive preprocessing to distinguish natural stellar radiation fluctuations from those caused by the transit of a potential exoplanet.