Clasificación de Espectros Astrofísicos usando Algoritmos de Aprendizaje Profundo Pre-entrenados

Resumen

El estudio de la espectroscopía permite caracterizar las propiedades de objetos astrofísicos como estrellas,
cuásares, galaxias y el medio intergaláctico. En la actualidad, hay una colección de telescopios espaciales y
terrestres cartografiando el cielo cada noche, lo que incrementa el volumen de datos de forma exponencial
en el tiempo. Esto lleva al límite los esfuerzos de los astrónomos para clasificar con eficacia los espectros de
los objetos observados. En este trabajo se implementan los algoritmos pre-entrenados: Inception V3, ResNet
50 y MNIST, que se basan en Visión Computacional y Redes Neuronales Convolucionales (CV y CNN,
por sus siglas en inglés). Realizamos una comparación del rendimiento en la clasificación de espectros
tomados de la campaña Sloan Digital Sky Survey (SDSS) en su liberación de datos, Data Release (DR12)
del espectrógrafo Baryon Oscillation Spectroscopic Survey (BOSS) con una muestra de 300000 espectros.
En el proceso de aprendizaje se ajustaron los hiperparámetros asociados a la entrada del modelo como el
kernel, stride, épocas, clase y capa inicial. Además cada modelo se valoró implementando las métricas de
exactitud, precisión y sensibilidad. Los resultados de la clasificación demuestran que el mejor clasificador
para espectros de cuásares es ResNet 50 con un rendimiento de más de 60% con respecto a su desempeño
con galaxias y estrellas. Además, se obtuvo una baja tasa de pérdida en el caso de clasificación de estrellas
con el modelo Inception V3. Finalmente, este estudio permite confirmar que los algoritmos basados en CV
y CNN son muy poderosos para clasificar de espectros astrofísicos.