Resumen de Framework de desentrelazamiento de datos masivos en astronomía mediante técnicas de aprendizaje profundo

Raúl Santoveña

• español

  El aprendizaje automático proporciona a una máquina la capacidad de realizar inferencias por medio de la identificación de patrones en los datos. Esta rama de la inteligencia artificial ha experimentado un auge sin precedentes como método para la innovación en cualquier ámbito, especialmente a la hora de trabajar con conjuntos masivos de información, permitiendo la toma de decisiones basada en datos, la automatización y la optimización de procesos complejos. Estas innovaciones traen consigo profundas implicaciones para la investigación científica, la industria, la economía, y la sociedad en general.

  Como cualquier otra ciencia, la astronomía no es ajena a esta irrupción, y en las últimas décadas se ha formado una simbiosis natural debido a la necesidad de analizar de forma automatizada e inteligente los volúmenes masivos de información surgidos de surveys espaciales como Gaia o SDSS.

  Big data, minería de datos y aprendizaje automático forman los tres pilares de la presente tesis. Por ello, en este trabajo se exploran algunas de las fronteras de estas disciplinas con el objetivo de ofrecer herramientas novedosas con aplicación en algunos de los surveys masivos de la astronomía, así como el estudio de su posible extensión a otras disciplinas que otorguen a este trabajo de un carácter multipropósito.

  Para la consecución de los objetivos se ha seguido una evolución en las técnicas que se abordan en esta tesis, y que parte del uso de métodos de minería de datos en el contexto de la astronomía. Estos métodos evolucionan hacia el uso de modelos de aprendizaje automático y profundo que puedan ofrecer mejoras substanciales en este mismo ámbito, siendo también extensibles a otros propósitos.

  Como resultado, se presenta el descubrimiento de objetos estelares relevantes en dos campos diferentes de la astronomía, los sistemas binarios y las estrellas peculiares. Con el fin de ofrecer soluciones a algunas de las limitaciones encontradas en los primeros trabajos, se ha desarrollado un framework open source de aprendizaje profundo basado en aprendizaje desentrelazado generalizable a cualquier ámbito, pero aplicable en los campos de estudio previamente abordados. Por ´ultimo, como aplicaciones transversales del trabajo, se han desarrollado diferentes tareas entre las que destaca la implementación de un sistema de autenticación continua de segundo nivel basada en el uso de modelos de aprendizaje profundo íntimamente relacionados con los métodos anteriormente citados.

• English

  Machine learning gives a computer the ability to make inferences by identifying patterns in data. This branch of Artificial Intelligence has experienced an unprecedented growth as a method of innovation in various fields, especially when working with massive datasets, enabling data-driven decision-making, automation, and the optimization of complex processes. These innovations have profound implications for scientific research, industry, the economy, and society in general.

  Like any other science, astronomy is not immune to this disruption, and in recent decades, a natural symbiosis has formed because of the need to analyze in an automated and intelligent way the massive volumes of data generated by space surveys such as Gaia or SDSS.

  Big data, data mining, and machine learning form the three pillars of this thesis.Therefore, this work explores some of the frontiers of these disciplines with the aim of offering novel tools applicable to some of the massive surveys in astronomy, as well as studying their potential extension to other fields, giving this work a multipurpose character.

  To achieve the objectives, an evolution in the techniques addressed in this thesis has been followed, starting with the use of data mining methods in the context of astronomy. These methods then evolve towards the use of machine learning and deep learning models, which can offer substantial improvements in this field, while also being extendable to other purposes.

  As a result, the discovery of relevant stellar objects is presented in two different fields of astronomy: binary systems and peculiar stars. To offer solutions to some of the limitations encountered in earlier works, an open-source deep learning framework has been developed, based on disentangled learning, which is generalizable to any field but specifically applicable to the previously studied areas. Finally, as transversal applications of the work, various tasks have been developed, among which stands out the implementation of a second-level continuous authentication system based on the use of deep learning models closely related to the methods mentioned earlier.