Browsing by Author "Nikzat, Fatemeh"

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    A new search for R Coronae Borealis stars in the SMC
    (2017) Nikzat, Fatemeh; Catelan , Marcio
    R Coronae Borealis (RCB) stars are rare, and their evolutionary origin is not well understood. Since they are obscured due to formation of carbon dust around the star during their mass loss events, RCB stars can be classified as self-eclipsing variable stars. The purpose of this work is to present a new search for RCB stars in the Small Magellanic Cloud (SMC), by analysing VI data from the OGLE project....
  • Thumbnail Image
    Item
    LPVs in the inner regions of the Milky Way
    (2021) Nikzat, Fatemeh; Catelan, Márcio; Pontificia Universidad Católica de Chile. Instituto de Astrofísica
    Las variables de largo período (LPVs) son gigantes rojas pulsantes, las que se encuentran principalmente en la fase de la rama asintótica de las gigantes, e incluyen tanto Miras como variables semiregulares (SRVs). Sus relaciones período-edad y período-luminosidad nos permiten trazar diferentes poblaciones estelares, ya que son intrínsecamente muy brillantes y un amplio rango de distancias y edades. El objetivo de este estudio es establecer un censo de estrellas LPV en una región próxima al centro Galáctico, utilizando la base de dato del relevamiento público de la ESO llamado Vista Variables in the Vía Láctea (VVV), así como también describir la metodología que fue empleada en la búsqueda y caracterización de las LPVs. Relevamientos en el IR cercano, tal como el VVV, nos brindan la inigualable posibilidad de examinar las regiones más centrales y enrojecidas de la Vía Láctea. La detección y análisis de Miras intrínsecamente muy brillantes en esas regiones nos proporcionarían una excelente herramienta para explorar las propiedades de la Vía Láctea, mucho más allá del bulbo Galáctico. Analizamos fotometría PSF realizada sobre todas las imágenes tomadas en la banda Ks en los 10 campos de VVV que se superponen a la región observada por el relevamiento Optical Gravitational Lensing Experiment (OGLE)-III. Diseñamos un método de búsqueda de candidatas a LPVs, y utilizamos las variables conocidas desde OGLE-III como forma de probarlo. Fueron utilizados en nuestro análisis la estadística de χ 2, asimismo el índice K(f i), que es independiente del flujo. Utilizamos entonces el método de búsqueda de períodos de Lomb-Scargle, análisis de Fourier, ajuste de templates e inspección visual para refinar nuestra muestra y caracterizar las propiedades de las estrellas incluidas en nuestro catálogo. Una muestra final del orden de 200 Miras y candidatas fue así obtenida, con períodos en el rango entre cerca de 80 y 1400 días. Una fracción de las candidatas puede consistir en SRVs. Fueron medidas edades para esas estrellas en base a una reevaluación de las relaciones período-edad disponibles en la literatura. Las Miras en nuestro catálogo incluyen xvi a 18 estrellas que satisfacen los requerimientos para que sean utilizadas como indicadores de distanca confiables y que no se encuentran saturadas en las imágenes en la banda Ks del VVV. Sus distancias fueron obtenidas y discutidas, y varios objetos ubicados más allá del bulbo Galáctico encontrados, algunos de los cuales potencialmente cerca del borde más externo del halo. Por último, presentamos nuestra estrategia para intentar recalibrar la relación períodoedad de las Miras, la que utiliza Miras en cúmulos estelares con edades conocidas. En ese sentido, realizamos una búsqueda por Miras que pudiesen ser miembros de los cúmulos abiertos y globulares ubicados en la misma línea de visión estudiada. Utilizando varios criterios, como distancias, posiciones en el diagrama color-magnitud y diagramas vector point (movimientos propios), concluimos que ninguna de las Miras en nuestro catálogo pertenece a los cúmulos conocidos en esa región del cielo. Actualmente, nos encontramos extendiendo nuestro trabajo a las otras regiones cubiertas por VVV, utilizando en nuestras búsquedas tanto fotometría VVV-PSF (cuando disponible) y fotometría de apertura, esta última tal y como proporcionada por el Cambridge Astronomy Survey Unit. Nuestros primeros resultados serán presentados en el futuro cercano.
  • 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).