buguemar/piic19

Public repository of our works in Exoplanet analysis with Deep Learning

PIIC19 - Detección de Exoplanetas

Caracterización y comprensión de los procesos en la detección de exoplanetas a través de la validación de modelos de aprendizaje automáticos.

Objetivo general:
Utilizando series de tiempo, en específico curvas de luz, proponemos automatizar la detección exoplanetas así como su caracterización y modelado a través de herramientas de aprendizaje automático.

Objetivos específicos:

• Diseñar e implementar un modelo supervisado que aprenda directamente de curvas de luz extensas en el dominio temporal.
• Diseñar e implementar un modelo no supervisado que aprenda a imitar los proceso de la pipeline de Kepler directamente de curvas de luz.
• Encontrar un modelo base, derivado de los propuestos, para realizar transfer learning sobre otros surveys de cuerpos transientes.
• Generar datos sintéticos a través de un modelo probabilista no supervisado, validado con datos reales, de objetos transientes que no hayan podido ser estudiados en profundidad debido a limitaciones tecnológicas.

📜 Source

• Regarding our work in imaging the light curves via Markov transition field (obj1)
  • 🔒 Final published version
  • 🔓 Preprint
  • Poster
• Regarding our work in unsupervised learning of a representation of light curves via variational auto-encoders (obj4)
  • 🔓 Final published version
  • Poster

🖊️ Citation

Bugueno, M., et al. "Harnessing the power of CNNs for unevenly-sampled light-curves using Markov transition field." Astronomy and Computing 35 (2021): 100461.

@article{bugueno2021harnessing,
  title={Harnessing the power of CNNs for unevenly-sampled light-curves using Markov transition field},
  author={Bugueno, M and Molina, Gabriel and Mena, F and Olivares, P and Araya, Mauricio},
  journal={Astronomy and Computing},
  volume={35},
  pages={100461},
  year={2021},
  publisher={Elsevier}
}

this is a reference to our work in imaging light curves via MTF.

Mena, Francisco, et al. "On the Quality of Deep Representations for Kepler Light Curves Using Variational Auto-Encoders." Signals 2.4 (2021): 706-728.

@article{mena2021quality,
  title={On the quality of deep representations for Kepler light curves using variational auto-encoders},
  author={Mena, Francisco and Olivares, Patricio and Bugue{\~n}o, Margarita and Molina, Gabriel and Araya, Mauricio},
  journal={Signals},
  volume={2},
  number={4},
  pages={706--728},
  year={2021},
  publisher={MDPI}
}

This is a reference to our work with variational auto-encoders