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

1. O Problema

A detecção e caracterização de exoplanetas do tipo terrestre (análogos à Terra) orbitando estrelas semelhantes ao Sol utilizando a técnica de Velocidade Radial (RV) esbarra atualmente num "piso de ruído" de aproximadamente 50–100 cm/s. Este limite é imposto pela atividade estelar, que introduz sinais de variabilidade quasiperiódica (ruído) que mascaram os pequenos sinais Doppler causados por planetas (que geram variações de RV de apenas ~10 cm/s para análogos da Terra).

As fontes principais desse ruído incluem:

• Oscilações de modo-p (p-modes).
• Granulação e supergranulação.
• Manchas solares e fáculas.
• Ciclos magnéticos de longo prazo.

Métodos tradicionais (como processos gaussianos ou indicadores espectrais isolados) muitas vezes falham em modelar completamente essas variações, especialmente quando os dados não possuem cadência temporal perfeita. O objetivo deste trabalho é superar esse limite utilizando Redes Neurais Convolucionais (CNNs) para prever e subtrair o sinal de atividade estelar, testando a eficácia de métricas adicionais além das funções de correlação cruzada (CCF) de luz branca.

2. Metodologia

Dados Observacionais

Os autores utilizaram 6 anos de dados do telescópio solar HARPS-N (2015–2021), o que representa o dobro do volume de dados utilizado em trabalhos anteriores da mesma equipe. O conjunto de dados inclui:

• Espectros Solares: Reduzidos pelo software DRS do HARPS-N, gerando CCFs de luz branca e CCFs cromáticos (azul, amarelo e vermelho).
• Irradiância Solar Total (TSI): Dados combinados dos satélites SORCE e TSIS-1, incluindo a derivada temporal da TSI.
• Fluxo Magnético: Dados do Helioseismic and Magnetic Imager (HMI) a bordo do SDO, fornecendo o fluxo magnético não polarizado e sem sinal (unsigned magnetic flux).
• Indicadores Espectrais: Equivalentes de largura (EW) das linhas H$\alpha$ e D1/D2 do Sódio, além do índice S.

Pré-processamento e Engenharia de Features

Para treinar a rede neural, os dados foram pré-processados para isolar as variações de forma (causadas pela atividade) das variações de deslocamento (causadas por planetas):

1. Correção de Referenciais: Transformação do referencial bariocêntrico para heliocêntrico para remover o reflexo dos planetas do Sistema Solar.
2. Centralização: As CCFs foram deslocadas para um centro comum, removendo o efeito de deslocamento translacional e focando a rede nas mudanças de forma da linha espectral.
3. Normalização: Todos os features (entradas) foram normalizados (subtração da média e divisão pelo desvio padrão).

Arquitetura do Modelo

O modelo utiliza Redes Neurais Convolucionais (CNNs):

• Entrada: A forma da CCF de luz branca (49 elementos) é o núcleo da entrada.
• Adições: O modelo foi treinado com diversas combinações de features adicionais (fluxo magnético, TSI, derivada da TSI, CCFs cromáticas, etc.).
• Saída: A rede prevê a contribuição da atividade estelar na RV.
• Treinamento: Utilizou-se validação cruzada k-fold (k=10) e busca aleatória de hiperparâmetros (taxa de aprendizado, tamanho do kernel, pooling, etc.) para otimizar a arquitetura. O objetivo era minimizar o erro quadrático médio (MSE) e o desvio percentual ($\sigma_{percentile}$).

3. Contribuições Principais

1. Expansão Temporal e de Dados: Aumento do conjunto de dados de 3 para 6 anos, permitindo uma análise mais robusta de ciclos de atividade e minimização de viéses de curto prazo.
2. Avaliação Sistemática de Métricas Adicionais: Teste rigoroso de quais indicadores de atividade (além da CCF de luz branca) melhoram a performance da rede neural.
3. Identificação de Tracers Eficazes: Determinação de que métricas como fluxo magnético não polarizado, derivada da TSI e CCFs cromáticas são superiores a métricas tradicionais como o bisector inverse slope (inclinação do bisetor) ou equivalentes de largura do Sódio para este tipo de modelo.
4. Correção de Artefatos Instrumentais: Demonstração de que a rede neural aprendeu a corrigir não apenas a atividade estelar, mas também saltos instrumentais causados por aquecimentos do criostato do espectrógrafo, sem ter recebido dados de diagnóstico instrumental como entrada.

4. Resultados

• Redução do Espalhamento de RV: O modelo "melhor" (utilizando CCF de luz branca + Fluxo Magnético + Derivada da TSI) reduziu o espalhamento das RVs no conjunto de teste de 147,1 cm/s (dados brutos) para 93,3 cm/s.
• Comparação de Features:
  • Eficazes: Fluxo magnético não polarizado, TSI, derivada da TSI, índice S, CCFs cromáticas, H$\alpha$, e parâmetros de forma da CCF (FWHM e contraste) melhoraram significativamente a previsão.
  • Ineficazes: O bisector inverse slope e as larguras de linha do Sódio (D1 e D2) não melhoraram significativamente o desempenho em comparação ao uso apenas da CCF de luz branca, sugerindo que a rede já extraiu a informação relevante da forma da CCF.
• Limites de Precisão: O ruído residual (93 cm/s) é consistente com os níveis de ruído de supergranulação e instabilidades instrumentais diárias (49 cm/s), indicando que a atividade magnética rotacional foi majoritariamente removida.
• Testes de Injeção-Recuperação: O método preservou sinais planetários simulados. Planetas com semi-amplitude de 0,4 m/s (equivalente a ~5,16 massas terrestres) em órbitas de 400 dias foram recuperados com sucesso após a correção da atividade. Sinais menores (0,3 m/s) foram detectados de forma marginal.
• Análise no Domínio de Fourier: Os picos correspondentes ao período de rotação solar (~27 dias) e seus harmônicos foram efetivamente suprimidos no espectro de potência das RVs corrigidas.

5. Significado e Conclusões

Este trabalho representa um avanço significativo na busca por análogos da Terra. Ao demonstrar que a combinação de Deep Learning com métricas físicas específicas (fluxo magnético e irradiância) pode reduzir o ruído estelar para níveis próximos de 90 cm/s, os autores estabelecem um novo patamar para a precisão de RV.

No entanto, o estudo conclui que, para atingir a precisão necessária de 10 cm/s para detectar análogos da Terra, é necessário superar o limite imposto pela supergranulação e por ruídos instrumentais de curto prazo. A supergranulação, que não é magnética e afeta a convectividade em escalas de tempo maiores, não é bem traçada pelos indicadores atuais.

Implicações Futuras:

• A necessidade de desenvolver novos traçadores para a supergranulação (possivelmente usando espectros de ultra-alta resolução ou dados de Doppler do SDO).
• A aplicação desses métodos a outras estrelas, adaptando a abordagem para conjuntos de dados menores (possivelmente usando regressão linear combinada com CCFs).
• O uso do Sol como um "banco de testes" (test-bed) para desenvolver e validar novas técnicas de mitigação de ruído antes de aplicá-las em observações de estrelas distantes.

Em resumo, a rede neural provou ser uma ferramenta poderosa para mitigar a atividade magnética, mas a próxima fronteira para a detecção de planetas terrestres reside na compreensão e modelagem da supergranulação e na estabilização instrumental extrema.