Comparação de algoritmos de aprendizado de máquina para a detecção de explosões estelares em curvas de luz do TESS

• Ano de defesa: 2025
• Autor(a) principal: Olimpio, Anara
• Orientador(a): Valio, Adriana Benetti Marques
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por; eng
• Instituição de defesa: Universidade Presbiteriana Mackenzie
• Palavras-chave em Português: inteligência artificial; mineração de dados; TESS; curva de luz; explosões estelares
• Link de acesso: https://dspace.mackenzie.br/handle/10899/41330

O estudo das explosões estelares é importante para entender a atividade de estrelas e também para a manutenção da vida em planetas em órbita. As missões espaciais fotométricas como Transiting Exoplanet Survey Satellite (TESS), Telescópio Espacial Kepler e outras permitem o monitoramento de centenas de milhares de estrelas e oferecem oportunidades para o estudo de fenômenos estelares. O presente estudo tem por objetivo analisar as curvas de luz das estrelas observadas pela missão TESS com o propósito de detectar as explosões estelares a partir das características estatísticas das curvas de luz com o apoio da Inteligência Artificial.Para isso, utilizou-se a metodologia da mineração de dados, aplicando técnicas a fim de au tomatizar o processo e conseguir trabalhar com as centenas de milhares de estrelas que estão sendo observadas. Foram realizados treino e testes com os seguintes algoritmos: K-Nearest Neighbors (KNN), Rede Neural Perceptron (RNP), Rede Neural Multicamadas Perceptron (RNMLP), Rede Neural Convolucional (RNC), Support Vector Machines (SVM), Light Gra dient Boosting Machine (LGBM), Random Forest Classifier (RF) e Extra Trees Classifier (ET). Para avaliar o resultado, utilizamos métricas de avaliação, incluindo acurácia, preci são, recall e f1-score além do tempo de processamento. Selecionamos uma amostra de 1900 curvas de luz de estrelas do primeiro setor de observação do TESS para validar os resultados dos algoritmos. Verificamos que o algoritmo com melhores resultados em termos de desem penho foi o ET, alcançando a melhor taxa de precisão de 95,65% e um dos menores tempos de processamento (0,33 dias). Por fim, aplicamos o algoritmo ET em todas as curvas de luz do primeiro e segundo setor com 31.883 estrelas. Durante a validação, confirmamos 2.160 explosões em 964 estrelas do primeiro setor e 2.212 explosões em 899 estrelas do segundo setor da missão TESS. O ET demonstrou sua adequação para o processamento eficiente de grandes conjuntos de dados astronômicos, como os do TESS. Atualmente a base de dados do TESS abrange 92 setores, cujo número de estrelas com curvas de luz de alta precisão, extraídas do modo de 2 minutos (e também 20 segundos), é da ordem de centenas de milhares. Nossos resultados destacam a importância do aprendizado de máquina para acelerar a identificação de explosões em grandes conjuntos de dados astronômicos.