Análisis de la detección de tránsito de exoplanetas mediante modelos de aprendizaje profundo según características de la estrella anfitriona

Abstract

El método del tránsito es la técnica más popular para identificar exoplanetas, y en los últimos años se han producido avances en el uso de redes neuronales para la tarea de vetting (la discriminación entre verdaderos planetas y falsos positivos), alcanzando resultados notables. No obstante, la evaluación de estos modelos suele realizarse de manera global. Este trabajo propone comparar el rendimiento de diferentes modelos de aprendizaje profundo a lo largo de las distintas clases espectrales y etapas evolutivas. Los resultados revelan que el rendimiento predictivo está condicionado por la astrofísica de la estrella anfitriona. Mientras que las estrellas tipo G ofrecen un régimen óptimo de detección, la degradación de la relación señal-ruido en estrellas subgigantes y tipo K provoca caídas significativas en la sensibilidad y precisión. The transit method is the most popular technique for identifying exoplanets, and in recent years there have been advancements in the use of neural networks for the task of vetting (distinguishing real planets from false positives), achieving remarkable results. Nevertheless, these models are usually evaluated in aggregate. This work proposes to compare the performance of various deep learning models across different spectral classes and evolutionary stages. Results reveal that predictive performance is conditioned by the host star’s astrophysics. While G-type stars provide an optimal detection regime, the degradation of the signal-to-noise ratio in subgiants and K-type stars causes significant drops in recall and precision.