Aplicación de técnicas de aprendizaje no supervisado para el agrupamiento de estrellas mediante su espectro RVS

Abstract

[Resumen]: El satélite Gaia, de la Agencia Espacial Europea, fue lanzado en diciembre de 2013 con la misión de escanear continuamente el firmamento durante 5 años para cartografiar más de mil millones de estrellas de la Vía Láctea. Además del objetivo de cartografiar la Galaxia, la misión pretende estudiar la estructura y evolución de la misma, descubrir nuevos objetos celestes, censar asteroides, etc. Para lograr los objetivos el satélite recoge una ingente cantidad de datos muy precisos, que son puestos a disposición de la comunidad a través de diferentes publicaciones. Hasta la fecha se han realizado tres publicaciones de datos, siendo la última de ellas de junio de 2022 y que recoge datos astrométricos, fotométricos y también espectrométricos, entre los que destacan los espectros de velocidad radial, obtenidos con un espectrómetro de velocidad radial (RVS), que analiza el espectro de luz emitido por un objeto y lo relaciona con diferentes elementos químicos para determinar su composición. Empleando estos datos de espectros RVS se estudiarán diferentes técnicas de aprendizaje no supervisado para la clasificación de estos espectros en diferentes grupos, y así poder clasificar las estrellas en diferentes poblaciones, caracterizándolas, y detectando posibles anomalías. Para ello se probarán distintas técnicas de aprendizaje automático no supervisado, métricas para la evaluación de la agrupación y técnicas de reducción de la dimensionalidad con el fin de obtener una clasificación final de los espectros en diferentes grupos, justificando las agrupaciones y caracterizando cada grupo con valores de diferentes variables astrofísicas.

[Abstract]: The Gaia satellite, from the European Space Agency, was launched in December 2013 with the mission of continuously scanning the sky for 5 years to map over a billion stars in the Milky Way. In addition to the goal of mapping the galaxy, the mission aims to study its structure and evolution, discover new celestial objects, survey asteroids, etc. To achieve its objectives, the satellite collects a big amount of highly precise data, which are available to the community through various releases. To date, three data releases have been carried out, with the latest one in June 2022. It includes astrometric, photometric, and spectroscopic data, among which radial velocity spectra stand out. These are obtained using a radial velocity spectrometer (RVS), which analyzes the light spectrum emitted by an object and correlates it with various chemical elements to determine its composition. Using this RVS spectral data, different unsupervised learning techniques will be studied to classify these spectra into different groups, allowing for the classification of stars into various populations, characterizing them, and detecting potential anomalies. For this purpose, various unsupervised machine learning techniques will be tested, along with metrics for cluster evaluation and dimensionality reduction techniques, aiming to obtain a final classification of the spectra into different groups. This process involves justifying the groupings and characterizing each group with values of different astrophysical variables.