Browsing by Author "Becker Troncoso, Ignacio"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Deep embedding of sparse multi-band light curves with missing data
    (2023) Becker Troncoso, Ignacio; Pichara Baksai, Karim Elías; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
    Los telescopios, herramientas que los astrónomos usan para captar luz, han experimentado avances sin precedentes en potencia y automatización, presentando nuevos desafíos en el campo de la astronomía. El Vera C. Rubin Observatory Legacy Survey of Space and Time (Rubin/LSST) es un innovador telescopio de 8.4 metros destinado a revolucionar la astronomía al mapear todo el cielo del hemisferio sur cada tres días en seis filtros ópticos, generando 20 TB de datos y 10 millones de alertas cada noche, superando cualquier telescopio operando actualmente. Para manejar este inmenso volumen de datos y focalizar los esfuerzos de investigación, los sistemas de clasificación automatizados se han vuelto indispensables. Los algoritmos de aprendizaje automático, en particular el aprendizaje profundo, se han erigido como herramientas esenciales, permitiendo a los expertos concentrarse en tareas más exigentes. En esta tesis, presentamos algoritmos basados en aprendizaje profundo que aprenden automáticamente representaciones de curvas de luz para clasificación precisa y automática. Proponemos un método de clasificación supervisada basado en Redes Neuronales Recurrentes (RNNs), capaz de manejar series temporales muestreadas de forma irregular. Nuestros modelos se evalúan en tres conjuntos de datos reales de curvas de luz: OGLE-III, Gaia y WISE, compilados y publicados para la comunidad. Nuestro enfoque requiere un preprocesamiento mínimo de datos, exhibe un bajo costo computacional para actualizaciones con nuevas observaciones, y escala eficientemente a grandes conjuntos de datos. Los resultados demuestran que nuestra arquitectura propuesta logra un rendimiento comparable con los clasificadores basados en descriptores estadísticos, mejorando significativamente los tiempos de predicción. Para prepararnos para los datos de Rubin/LSST, extendemos el modelo de una sola banda creando un conjunto de RNNs capaz de manejar datos multibanda y cadencia no uniforme. El modelo puede aprender los comportamientos en cada banda y unificarlo en una única representación. Esta adaptabilidad permite inferencias sin requerir la curva de luz completa, acelerando el proceso. El modelo se prueba en tres conjuntos de datos reales de curvas de luz: Gaia, Pan-STARRS1 y ZTF, para demostrar su capacidad de generalizar en diferentes condiciones de observación. Además, nuestro modelo propuesto demuestra su versatilidad al realizar no solo clasificación sino también regresión de parámetros físicos como temperatura efectiva y radio. El modelo se destaca en escenarios con menos observaciones, convirtiéndolo en una herramienta prometedora para la clasificación temprana para el Rubin/LSST. En general, nuestros resultados resaltan la eficacia y flexibilidad de nuestro modelo, posicionándolo como una herramienta poderosa para futuras proyectos astronómicos.
  • No Thumbnail Available
    Item
    Scalable end-to-end recurrent neural network for variable star classification
    (OUP, 2020) Becker Troncoso, Ignacio; Pichara Baksai, Karim Elías; Catelan, Márcio; Protopapas, P.; Aguirre Orellana, Carlos Alfonso; Nikzat, Fatemeh
    During the last decade, considerable effort has been made to perform automatic classification of variable stars using machine-learning techniques. Traditionally, light curves are represented as a vector of descriptors or features used as input for many algorithms. Some features are computationally expensive, cannot be updated quickly and hence for large data sets such as the LSST cannot be applied. Previous work has been done to develop alternative unsupervised feature extraction algorithms for light curves, but the cost of doing so still remains high. In this work, we propose an end-to-end algorithm that automatically learns the representation of light curves that allows an accurate automatic classification. We study a series of deep learning architectures based on recurrent neural networks and test them in automated classification scenarios. Our method uses minimal data pre-processing, can be updated with a low computational cost for new observations and light curves, and can scale up to massive data sets. We transform each light curve into an input matrix representation whose elements are the differences in time and magnitude, and the outputs are classification probabilities. We test our method in three surveys: OGLE-III, Gaia, and WISE. We obtain accuracies of about 95 per cent in the main classes and 75 per cent in the majority of subclasses. We compare our results with the Random Forest classifier and obtain competitive accuracies while being faster and scalable. The analysis shows that the computational complexity of our approach grows up linearly with the light-curve size, while the traditional approach cost grows as Nlog (N).