Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.ufc.br/handle/riufc/64015| Tipo: | TCC |
| Título : | Um estudo sobre a detecção de exoplanetas com inteligência artificial |
| Autor : | Silva Filho, Paulo Cleber Farias da |
| Tutor: | Freitas, Daniel Brito de |
| Palabras clave : | Exoplanetas;Inteligência artificial;Sondas espaciais;Redes neurais (Computação) |
| Fecha de publicación : | 2022 |
| Citación : | SILVA FILHO, Paulo Cleber Farias da. Um estudo sobre a detecção de exoplanetas com inteligência artificial. 2022. 72 f. Monografia (Graduação em Física Bacharelado) – Centro de Ciências, Universidade Federal do Ceará, Fortaleza, 2022. |
| Resumen en portugués brasileño: | Missões espaciais como CoRoT, Kepler e TESS são essenciais na astrofísica para a busca de exoplanetas. Milhares de planetas já foram detectados com o aperfeiçoamento das técnicas de busca. No entanto, majoritariamente a maioria dos exoplanetas foram descobertos por inspeção visual das curvas de luz obtidas com as missões CoRoT e Kepler. Esses processos estão sujeitos a erros humanos e são impraticáveis quando um grande volume de dados está envolvido. As futuras missões espaciais PLATO e James Webb Space Telescope trarão volumes ainda maiores, o que apresenta um sério desafio para a metodologia de pesquisa que vinha sendo feita. Com base nisso, são necessários novos métodos para tratar e analisar as curvas de luz fotométricas provenientes dessas missões. O uso de inteligência artificial vem ganhando cada vez mais relevância na ciência de dados voltada às pesquisas astrofísicas e, particularmente, se mostra como uma ferramenta promissora para detecção automática de exoplanetas. Este trabalho tem como objetivo aplicar Aprendizado de Máquina para a detecção de exoplanetas com base nos dados gerados pela missão Kepler. Para tal, modelos computacionais como Floresta Randômica e Redes Neurais foram testados na implementação de um algoritmo que será usado para explorar as curvas de luz de qualquer missão. No que tange a presente pesquisa, mais de 15 mil curvas de luz foram divididas em três conjuntos: um para o treino dos modelos, outro para a validação dos mesmos e outro para testes. Sabe-se previamente quais curvas de luz possuem ou não planetas confirmados. Os resultados preliminares mostram que o nosso melhor modelo implementado foi o de Rede Neural, com uma acurácia de 90% nas classificações das curvas no conjunto de testes. Ele também conseguiu detectar dois planetas confirmados em dados adicionais com bastante ruído. Isso indica que novos casos de interesse podem ser descobertos ao implementar nosso algoritmo em um conjunto inexplorado de dados. Essa é uma importante perspectiva do nosso trabalho quando os dados das missões PLATO e James Webb estiverem disponíveis. |
| Abstract: | Space missions like CoRoT, Kepler and TESS are essential in astrophysics for the search of exoplanets. Thousands of planets have already been detected with the improvement of search techniques. However, most exoplanets were discovered by visual inspection of the light curves obtained with the CoRoT and Kepler missions. These processes are subject to human error and are impractical when a large volume of data is involved. The future PLATO and James Webb Space Telescope space missions will bring even greater volumes, which presents a serious challenge to the research methodology that was being done so far. Based on this, new methods are needed to treat and analyze the photometric light curves coming from these missions. The use of artificial intelligence has been gaining more and more relevance in data science focused on astrophysical research and, particularly, it shows itself as a promising tool for the automatic detection of exoplanets. This work aims to apply Machine Learning for the detection of exoplanets based on the data generated by the Kepler mission. To this end, computer models such as Random Forest and Neural Networks were tested in the implementation of an algorithm that will be used to explore the light curves of any mission. Regarding the present research, more than 15 thousand light curves were divided into three sets: one for training the models, another for their validation and another for testing. It is previously known which light curves have confirmed planets or not. Preliminary results show that our best implemented model was the Neural Network, with an accuracy of 90% in the classification of the curves in the test set. It was also able to detect two planets confirmed in additional noisy data. This indicates that new cases of interest can be discovered by implementing our algorithm on an unexplored dataset. This is an important perspective of our work when data from the PLATO and James Webb missions become available. |
| URI : | http://www.repositorio.ufc.br/handle/riufc/64015 |
| Aparece en las colecciones: | FÍSICA-BACHARELADO - Monografias |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| 2022_tcc_pcfsilvafilho.pdf | 8,16 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.