Clasificación de eventos astronómicos transitorios con redes neuronales recurrentes
No hay miniatura disponible
Fecha
Fecha
2023-11-17
Autores
Título de la revista
ISSN de la revista
Título del volumen
Editor
Descripción
En esta tesis de maestría, se introduce una metodología innovadora basada en redes neuronales recurrentes (RNN) para abordar la detección y clasificación precisa de eventos astronómicos transitorios a partir de datos reales de observación. Fundamentado en la capacidad inherente de las RNN para modelar secuencias de datos y adaptarse a la variabilidad temporal de eventos en el espacio, el enfoque emplea el conjunto de datos MANTRA, abarcando una diversidad de eventos como supernovas y núcleos activos de galaxias. Se desarrollan dos arquitecturas de preprocesamiento y se implementan unidades recurrentes con compuertas (GRU) en una red neuronal recurrente especializada. Los resultados experimentales revelan una mejora notable del rendimiento, con un incremento de hasta un 17% en precisión, destacando la eficiencia en el entrenamiento en comparación con enfoques convencionales de aprendizaje de máquina. Este avance contribuye significativamente a la automatización de la clasificación de eventos astronómicos, facilitando la detección temprana de fenómenos astrofísicos y enriqueciendo nuestra comprensión del universo en constante cambio.
Resumen
In this master thesis, an innovative methodology based on recurrent neural networks (RNN) is introduced to address the accurate detection and classification of transient astronomical events from real observational data. Based on the inherent ability of RNNs to model data sequences and adapt to the temporal variability of events in space, the approach employs the MANTRA dataset, covering a diversity of events such as supernovae and active galaxy nuclei. Two preprocessing architectures are developed and gated recurrent units (GRUs) are implemented in a specialized recurrent neural network. Experimental results reveal a remarkable performance improvement, with up to 17% increase in accuracy, highlighting the training efficiency compared to conventional machine learning approaches. This advance contributes significantly to the automation of astronomical event classification, facilitating the early detection of astrophysical phenomena and enriching our understanding of the ever-changing universe.
Palabras clave
Aprendizaje de máquina, Astrofísica, Red neuronal recurrente, Ciencia de datos, Eventos astronómicos transitorios
Materias
Maestría en Ciencias de la Información y las Comunicaciones -- Tesis y disertaciones académicas, Redes neuronales recurrentes (RNN), Detección de eventos astronómicos, Clasificación de fenómenos astrofísicos, Automatización en astronomía