Predicción de parámetros estelares y estimación de incertidumbre usando deep ensemble

Abstract

Con la publicación constante de catálogos de estrellas, se hace necesario disponer de tecnologías que faciliten el tratamiento y análisis de datos a los astrónomos, agilizando así su trabajo y la toma de decisiones. Los parámetros estelares constituyen información crucial en el estudio de las estrellas, por lo que, contar con herramientas que entreguen estos parámetros es relevante. Recientemente, metodologías provenientes de la Inteligencia Artificial, han mostrado resultados favorables en el tratamiento de espectros estelares para la predicción de parámetros. En particular, las redes neuronales convolucionales tienen especial afinidad para resolver este tipo de problemas. En el presente trabajo se exponen los resultados de utilizar una metodología que emplea redes neuronales convolucionales, llamada deep ensemble, entrenando modelos a partir de espectros sintéticos de estrellas tipo B, para posteriormente efectuar una estimación de los parámetros Teff, log g, y v sin i de espectros observados del catálogo BeSOS. Los resultados arrojan una media de error para cada parámetro del 27 %, 9 % y 6 % respectivamente en este catálogo, además de conclusiones relevantes para el perfeccionamiento de esta y otras metodologías en investigaciones futuras.

With the constant publication of star catalogs, it becomes necessary to have technologies that facilitate the processing and analysis of data for astronomers, thus speeding up their work and decision-making. Stellar parameters constitute crucial information in the study of stars, so having tools that deliver these parameters is relevant. Recently, methodologies from Artificial Intelligence have shown favorable results in the treatment of stellar spectra for the prediction of parameters. In particular, convolutional neural networks have a special affinity for solving this type of problem. This study presents the results of using a deep ensemble methodology, employing convolutional neural networks trained on synthetic spectra of type B stars, to estimate the parameters Teff, log g, and v sin i of observed spectra from the BeSOS catalog. The results demonstrate an average error of 27 %, 9 %, and 6 % for each parameter respectively in this catalog, along with significant conclusions for improving this and other methodologies in future research.