Herramienta basada en técnicas de Deep Learning para el análisis de datos generados por el telescopio ESA Euclid

Abstract

El incremento de los volúmenes de datos generados en los últimos años obliga a utilizar nuevos métodos automáticos de minería de datos. La astronomía no es ajena a este aumento, llegando a generar una cantidad de datos nunca vista antes como por ejemplo con los nuevos telescopios que se están desplegando, como el James Webb o Euclid. En este Trabajo Fin de Grado se ha tratado el problema de la detección y caracterización de cuestiones relativas a la morfología de las galaxias, a través de varios conjuntos de datos. Se han utilizado técnicas basadas en deep learning, concretamente redes neuronales convolucionales, que han probado ser de gran utilidad en una inmensa variedad de aplicaciones de visión artificial. El primer conjunto de datos que se ha usado proviene de la colaboración Euclid de la Agencia Espacial Europea (ESA, por sus siglas en inglés). A partir de estos datos se han contestado distintas preguntas relativas a la morfología de las galaxias, por ejemplo si tiene forma de disco, donde se ha conseguido una tasa de acierto y un valor F1 superior al 98 %. Además, se ha analizado el número mínimo de galaxias necesarias para entrenar la red y conseguir el máximo rendimiento, que se encuentra en torno a la mitad del conjunto de datos original con un nivel de confianza del 95 %. Por último, se ha utilizado un conjunto de datos generado a partir de simulaciones hidrodinámicas para detectar la aparición de estructuras de bajo brillo superficial. En este segundo caso, los resultados expuestos son aún preliminares, consiguiendo en la detección de uno de los tipos de estructuras (shells) un RMSE de 0.14.

The increase in the volume of data generated in recent years requires the use of new automatic data mining methods. Astronomy is no stranger to this increase, generating an amount of data never seen before, for example with the new telescopes that are being deployed, such as the James Webb or Euclid. In this Bachelor’s Thesis we have dealt with the problem of detection and characterization of questions related to the morphology of galaxies, through various data sets. We have used techniques based on deep learning, specifically convolutional neural networks, which have proven to be very useful in a wide variety of computer vision applications. The first dataset used is from the European Space Agency (ESA) Euclid collaboration. From these data, different questions have been answered regarding the morphology of galaxies, for example whether it is disk-shaped, where an accuracy and F1 score of over 98% has been achieved. In addition, the minimum number of galaxies needed to train the network and achieve the maximum performance has been analyzed, which is around half of the original data set with a confidence level of 95 %. Finally, a data set generated from hydrodynamic simulations has been used to detect the appearance of low surface brightness structures. In this second case, the results are still preliminary, achieving an RMSE of 0.14 in the detection of one of the types of structures (shells).