Redes Neurais Convolucionais Otimizadas para a Detecção de Supernovas

• Gabriela Cardoso Montes Instituto Federal de Educação, Ciência e Tecnologia do Sudeste de Minas Gerais
• Lucas Grassano Lattari Instituto Federal de Educação, Ciência e Tecnologia do Sudeste de Minas Gerais
• Alessandra Martins Coelho Instituto Federal de Educação, Ciência e Tecnologia do Sudeste de Minas Gerais

DOI: https://doi.org/10.5753/bresci.2021.15782

Resumo

Supernovas são explosões super luminosas que caracterizam o fim da vida de uma estrela supermassiva. Redes Neurais Artificiais são ferramentas promissoras para a automação da análise dos dados de supernovas provenientes de telescópios, porém, apresentam uma desvantagem, que é a grande demanda por recursos de hardware necessários para sua implementação. Neste trabalho, propõe-se uma Rede Neural Convolucional otimizada para Detecção de Supernovas em imagens, utilizando a técnica de poda dos parâmetros. O algoritmo obteve uma acurácia de 0,964 e a poda foi capaz de reduzir o tamanho do modelo em até 70%, sem perda significativa de acurácia.

Palavras-chave: Astronomia, Aprendizado de Máquina, Supernova, Redes Neurais

Referências

Burrows, A. and Goshy, J. (1993). A theory of supernova explosions.The Astrophysical Journal, 416:L75.

Burrows, A. and Vartanyan, D. (2021). Core-collapse supernova explosion theory. Nature,589(7840):29–39

Cabrera-Vives, G., Reyes, I., Förster, F., Estévez, P. A., and Maureira, J.-C. (2017). Deep-hits: Rotation invariant convolutional neural network for transient detection.The Astrophysical Journal, 836(1):97

Dessa (2019). space2vec: Identifying supernovas with deep learning. Disponível em: https://medium.com/dessa-news/space-2-vec-fd900f5566. Acesso em: 18 mar 2021.

Flaugher, B. (2005). The dark energy survey. International Journal of Modern Physics A, 20(14):3121–3123.

F ̈orster, F., Maureira, J. C., San Martín, J., Hamuy, M., Martínez, J., Huijse, P., Cabrera,G., Galbany, L., De Jaeger, T., González-Gaitán, S., et al. (2016). The high cadencetransient survey (hits). i. survey design and supernova shock breakout constraints.The Astrophysical Journal, 832(2):155.

Goldstein, D. A., D’Andrea, C. B., Fischer, J. A., Foley, R. J., Gupta, R. R., Kessler, R.,Kim, A. G., Nichol, R. C., Nugent, P. E., Papadopoulos, A., and et al. (2015). Au-tomated transient identification in the dark energy survey.The Astronomical Journal,150(3):82.

Ishida, E. E. (2019). Machine learning and the future of supernova cosmology. NatureAstronomy, 3(8):680–682

LeCun, Y., Denker, J. S., Solla, S. A., Howard, R. E., and Jackel, L. D. (1989). Optimalbrain damage. InNIPs, volume 2, pages 598–605.

Morii, M., Ikeda, S., Tominaga, N., Tanaka, M., Morokuma, T., Ishiguro, K., Yamato, J.,Ueda, N., Suzuki, N., Yasuda, N., and Yoshida, N. (2016). Machine-learning selectionof optical transients in the Subaru/Hyper Suprime-Cam survey. Publications of theAstronomical Society of Japan, 68(6). 104.

Perlmutter, S., Aldering, G., Goldhaber, G., Knop, R., Nugent, P., Castro, P. G., Deustua,S., Fabbro, S., Goobar, A., Groom, D. E., et al. (1999). Measurements of ω and λ from 42 high-redshift supernovae.The Astrophysical Journal, 517(2):565.

Riess, A. G., Filippenko, A. V., Challis, P., Clocchiatti, A., Diercks, A., Garnavich, P. M.,Gilliland, R. L., Hogan, C. J., Jha, S., Kirshner, R. P., et al. (1998). Observational evidence from supernovae for an accelerating universe and a cosmological constant.The Astronomical Journal, 116(3):1009.

Sobrinho, J. (2013). Estrelas: origem, evolução e morte. Formação Contínua de docentes: Introdução à Astronomia (texto de apoio ao módulo 3), 17pp, Universidade da Madeira.