Identifying Exoplanets with Deep Learning VI. Enhancing neural network mitigation of stellar activity RV signals with additional metrics

Resumen Técnico: Identificación de Exoplanetos con Aprendizaje Profundo VI. Mejora de la mitigación de señales de RV de actividad estelar con métricas adicionales

1. El Problema

La detección y caracterización de exoplanetas similares a la Tierra mediante la técnica de velocidad radial (RV) se enfrenta actualmente a un "suelo de ruido" de aproximadamente 50-100 cm/s. Este límite de precisión impide detectar las señales de planetas tipo Tierra alrededor de estrellas similares al Sol, las cuales tienen una amplitud esperada de solo ~10 cm/s.

La fuente principal de este ruido es la actividad estelar (o "jitter" estelar), que introduce variabilidad cuasiperiódica en las mediciones de RV. Los mecanismos físicos responsables incluyen:

• Oscilaciones de modo-p (p-modes).
• Granulación y supergranulación.
• Manchas estelares (spots) y fáculas.
• Ciclos magnéticos a largo plazo.

Aunque los instrumentos espectroscópicos de última generación (como HARPS-N, ESPRESSO, NEID) tienen la precisión instrumental necesaria, la modelización efectiva de la variabilidad estelar sigue siendo el cuello de botella. Los métodos tradicionales (como procesos gaussianos o indicadores espectrales simples) a menudo requieren observaciones de alta cadencia o no logran separar completamente la señal del planeta del ruido estelar.

2. Metodología

Los autores extienden el trabajo previo de de Beurs et al. (2022), que utilizó redes neuronales (NN) para modelar la actividad estelar en datos del Sol observados por HARPS-N. En este estudio, se entrenó una Red Neuronal Convolucional (CNN) utilizando seis años de datos solares (2015-2021) en lugar de tres, y se probaron múltiples características (features) adicionales para mejorar la predicción.

Datos de Entrada:

• CCF de luz blanca: Funciones de correlación cruzada (CCF) promediadas ponderadas por la relación señal-ruido (SNR), centradas para eliminar desplazamientos traslacionales y enfocarse en cambios de forma.
• Indicadores de Actividad Adicionales:
  • Flujo magnético no polarizado: Derivado de datos del Helioseismic and Magnetic Imager (HMI) del SDO.
  • Irradiancia Solar Total (TSI) y su derivada temporal: Datos combinados de los satélites SORCE y TSIS-1.
  • Índice S: Relación de flujo en las líneas de Calcio II H y K.
  • Anchuras Equivalentes (EW): De las líneas Hα y Na D1/D2.
  • CCF Cromáticas: CCFs calculadas en regiones azul, amarilla y roja del espectro para detectar dependencias de la longitud de onda.
  • Métricas de forma de CCF: Bisector inverso, contraste y ancho a media altura (FWHM).

Procesamiento y Entrenamiento:

• Se utilizaron técnicas de preprocesamiento para centrar las CCFs y normalizar todas las características.
• Se empleó una arquitectura CNN con capas convolucionales, de pooling máximo y totalmente conectadas.
• Se utilizó validación cruzada de 10 pliegues (k-fold) y una división de datos en entrenamiento (80%), validación (10%) y prueba (10%).
• Se optimizaron los hiperparámetros (tasa de aprendizaje, tamaño de kernel, etc.) mediante búsqueda aleatoria.
• El objetivo del modelo fue predecir la desviación de la RV causada por la actividad estelar (ruido) para restarla de las mediciones brutas.

3. Contribuciones Clave

• Expansión del Conjunto de Datos: Duplicación del volumen de datos de entrenamiento (de 3 a 6 años) para capturar mejor la variabilidad a largo plazo y los mínimos solares.
• Evaluación Sistemática de Características: Prueba exhaustiva de múltiples indicadores de actividad más allá de las CCFs de luz blanca para determinar cuáles aportan información complementaria real.
• Detección de Artefactos Instrumentales: Demostración de que la red neuronal puede aprender y corregir no solo la actividad estelar, sino también saltos sistemáticos instrumentales (como los causados por el calentamiento del criostato), sin necesidad de entradas específicas de diagnóstico del instrumento.
• Pruebas de Inyección-Recuperación: Validación de que el modelo preserva las señales planetarias simuladas mientras elimina el ruido estelar, demostrando su utilidad para la detección de exoplanetas.

4. Resultados

• Reducción de la Dispersión (Scatter):
  • El modelo base (solo CCFs de luz blanca) redujo la dispersión de RV en el conjunto de prueba de 147.1 cm/s a 95.5 cm/s.
  • El modelo óptimo, que incorpora el flujo magnético no polarizado y la derivada de la TSI (además de las CCFs de luz blanca), logró reducir la dispersión a 93.3 cm/s (con un valor de 91.6 cm/s en el conjunto completo de datos).
• Eficacia de las Características:
  • Mejoras significativas: El flujo magnético, la TSI, su derivada, el índice S, las CCFs cromáticas, el Hα y las métricas de forma (FWHM, contraste) mejoraron consistentemente el rendimiento.
  • Sin mejora significativa: El bisector inverso y las anchuras equivalentes de las líneas de Na D1/D2 no aportaron mejoras significativas sobre el uso de CCFs de luz blanca por sí solas, sugiriendo que la información que contienen ya está capturada por la forma de la CCF.
• Análisis en el Dominio de Fourier: Los periodogramas de Lomb-Scargle mostraron que el modelo eliminó eficazmente los picos correspondientes al periodo de rotación solar (~27 días) y sus armónicos, así como los ciclos magnéticos a largo plazo.
• Límite de Precisión: La dispersión residual (~90-93 cm/s) se atribuye principalmente al ruido instrumental y a la supergranulación, fenómenos que no están bien trazados por los indicadores magnéticos actuales y que son difíciles de mitigar con las entradas disponibles.

5. Significado e Implicaciones

• Hacia Exoplanetas Tipo Tierra: Aunque la precisión alcanzada (93 cm/s) aún no es suficiente para detectar planetas tipo Tierra (10 cm/s), el estudio demuestra que la adición de métricas como el flujo magnético y la TSI es crucial para reducir el ruido estelar más allá de lo que permiten las CCFs tradicionales.
• El Rol de la Supergranulación: El hallazgo de que el ruido residual está dominado por la supergranulación (y no por la actividad magnética rotacional) señala una dirección crítica para la investigación futura. Se necesitan nuevos trazadores o técnicas para mitigar la supergranulación.
• Aplicabilidad a Otras Estrellas: Los autores proponen adaptar estos métodos (o usar regresión lineal con estas características) para estrellas distantes, donde los conjuntos de datos son más pequeños. La identificación de correlaciones en el Sol sirve como banco de pruebas para desarrollar estrategias aplicables a otros objetivos.
• Corrección Instrumental: La capacidad de la IA para corregir sistemáticos instrumentales sin entradas explícitas sugiere un futuro donde el post-procesamiento de datos de RV será aún más robusto, esencial para la próxima generación de espectrógrafos de ultra-alta precisión.

En conclusión, este trabajo establece que, aunque los modelos de aprendizaje profundo basados en CCFs son potentes, la integración de indicadores físicos complementarios (magnéticos y de irradiancia) es necesaria para empujar los límites de la precisión de la velocidad radial, aunque el desafío final para encontrar análogos de la Tierra reside en comprender y mitigar la supergranulación.