Resumo: O presente trabalho propõe o uso de técnicas de aprendizado profundo (Deep Learning) para identificar automaticamente transientes astronômicos em imagens provenientes do Dark Energy Survey Gravitational Wave (DESGW) pipeline e do Southern Photometric Local Universe Survey (SPLUs) Transient Extension Project, conhecido como STEP.
Especificamente, nosso objetivo ´e integrar uma rede neural após o algorítimo de diferenciação de imagens desses projetos, visando acelerar a detecção de transientes, reduzindo o número de imagens que requerem inspeção visual. Para alcançar esse objetivo, utilizamos de redes neurais convolucionais (CNNs), que são um tipo de algoritmo de aprendizado
profundo comprovadamente eficaz em tarefas de classificação de imagens. A CNN foi treinada em um conjunto de dados rotulados contendo transientes e não transientes, o que permitiu que ela aprendesse as características visuais de transientes astronômicos. Uma vez treinada, a CNN será integrada ao pipeline de detecção automatizada de transientes, cujo analisará as imagens e identificará automaticamente os transientes em potencial, que serão posteriormente confirmados por inspeção visual. O resultado obtido foi que nos conjuntos de dados do DES-GW e STEP, conseguimos remover 95% e 97% de todos os exemplos de não-transientes, respectivamente. Isso leva a uma detecção de transientes mais rápida e eficiente, já que a rede neural reduz o número de imagens que precisam
ser inspecionadas. Dessa forma, os astrônomos podem se concentrar em eventos cientificamente mais relevantes. Além disso, isso pode ajudar a identificar transientes que não são óbvios para o astrônomo e que podem ter sido classificados como falsos negativos.
Em geral, a abordagem proposta tem o potencial de melhorar significativamente a capacidade e eficácia da detecção de transientes nas buscas por contrapartida ópticas de ondas gravitacionais, cujo necessitam de uma rápida identificação e caracterização. |
