Classification of Eclipsing Binary Light Curves in Gaia DR3: A Machine Learning Approach

Resumo Técnico: Classificação de Curvas de Luz de Binárias Eclipsantes no Gaia DR3

Definição do Problema
O lançamento do Gaia Data Release 3 (DR3) forneceu um conjunto de dados contendo aproximadamente 2,1 milhões de candidatos a estrelas binárias eclipsantes (EB). O volume massivo desses dados torna a classificação manual das morfologias das curvas de luz — especificamente a distinção entre o tipo Algol (EA), o tipo $\beta$-Lyrae (EB) e o tipo W Ursae Majoris (EW) — insustentável. Embora estudos anteriores tenham utilizado aprendizado de máquina (ML) em conjuntos de dados como Kepler, OGLE e TESS, permanecem desafios para garantir que os conjuntos de treinamento sejam imparciais e que os classificadores mantenham a generalização entre diferentes levantamentos com diferentes cadências e características de ruído. Além disso, métodos existentes frequentemente dependem de dados de séries temporais brutos e ruidosos ou de etapas de parametrização complexas que podem obscurecer características geométricas.

Metodologia
Os autores propõem um novo framework de aprendizado profundo multimodal projetado para automatizar a classificação de candidatos a EB do Gaia DR3. A metodologia diverge das abordagens tradicionais ao evitar o treinamento em dados observacionais brutos e ruidosos. Em vez disso, o pipeline utiliza os parâmetros do modelo geométrico derivados de Mowlavi et al. (2023) para gerar 2,1 milhões de curvas de luz sintéticas e livres de ruído no formato Portable Network Graphics (PNG).

A arquitetura central consiste em dois ramos de entrada paralelos que são concatenados para a classificação final:

1. Ramo Visual (CNN): Uma Rede Neural Convolucional processa as imagens das curvas de luz sintéticas (redimensionadas para 128 $\times$ 96 pixels). Este ramo extrai características morfológicas visuais usando camadas Conv2D e MaxPooling2D.
2. Ramo Numérico (MLP): Um Perceptron Multicamadas processa dados tabulares derivados dos parâmetros do modelo geométrico (ex: profundidade, sigma, fase dos mínimos e amplitude/fase dos componentes de cosseno). Esses dados são escalonados usando um standard scaler e processados através de camadas totalmente conectadas com ativação ReLU.

Os vetores de características de ambos os ramos (16 características cada) são concatenados em um vetor de 32 características, passados por uma camada densa adicional e alimentados em uma camada de saída softmax para classificação de três classes (EA, EB, EW).

Para garantir a robustez e evitar o sobreajuste (overfitting), o processo de treinamento empregou diversas estratégias:

• Aumento de Dados (Data Augmentation): Flips horizontais aleatórios, translações e zooms foram aplicados às imagens sintéticas; flips verticais foram explicitamente evitados para preservar a física da curva de luz.
• Regularização: Regularização L2 e camadas de Dropout foram utilizadas.
• Callbacks: O treinamento foi guiado por um Callback MacroF1 customizado (a principal métrica de desempenho), Model Checkpointing, Early Stopping e ReduceLROnPlateau.
• Dados de Treinamento: O modelo foi treinado em um conjunto de dados balanceado de subconjuntos de curvas sintéticas rotuladas manualmente, com 80% usados para treinamento e 20% para validação.

Principais Contribuições

• Estratégia de Dados Sintéticos: O estudo introduz um método para contornar o ruído observacional treinando exclusivamente em curvas de luz sintéticas geradas a partir de modelos geométricos, permitindo que a CNN foque puramente em formas morfolológicas.
• Arquitetura Multimodal: A integração de fluxos de dados visuais (CNN) e numéricos (MLP) fornece uma representação mais rica dos sistemas EB do que modelos de entrada única, capturando efetivamente tanto a "forma" intuitiva da curva de luz quanto as características matemáticas precisas dos mínimos estelares.
• Framework Escalável: A abordagem oferece um framework transferível capaz de processar milhões de objetos, abordando o gargalo da classificação manual em levantamentos de grande escala.

Resultos
O modelo demonstrou um desempenho excepcional através de quatro tipos distintos de modelos usados no catálogo de Mowlavi et al. (2023):

• Acurácia: O modelo alcançou taxas de acurácia superiores a 95% em todas as classes e tipos de modelos.
• Desempenho por Classe:
  • EA (tipo Algol): Exibiu desempenho quase perfeito (Precisão/Recall/F1 $\approx$ 0,97–0,99), atribuído à natureza distinta e separada desses sistemas.
  • EB e EW: Mostraram desempenho robusto (F1-scores $\approx$ 0,94–0,97). Os autores observam que a confusão leve entre as classes EB e EW é fisicamente esperada devido ao contínuo entre sistemas semidetachados e de contato (geometria de Roche), onde as distinções morfológicas naturalmente se tornam tênues.
• Classificação Global: Ao aplicar o modelo treinado ao arquivo completo do Gaia DR3 (aprox. 2 milhões de estrelas), a classificação automatizada resultou em uma distribuição de 40% EA, 30% EB e 30% EW.

Significância
O artigo afirma que este estudo fornece um framework de classificação altamente preciso e transferível para futuros levantamentos do céu em grande escala. Ao automatizar a separação morfológica de EBs, o framework serve como um filtro crítico para pesquisa astrofísica direcionada:

• Sistemas EA podem ser identificados eficientemente para estudos que exigem configurações separadas e medições de massa/raio independentes de modelo.
• Sistemas EW fornecem amostras para o estudo de extremos de evolução binária e dinâmica de terceiros corpos em triplos hierárquicos.
• Sistemas EB atuam como proxies para configurações de transferência de massa ativa e semidetachadas.

Os autores enfatizam que esta classificação automatizada e de alta fidelidade permite a construção de catálogos especializados adaptados a objetivos científicos específicos, facilitando o teste estatístico de modelos de evolução estelar através de diferentes configurações binárias sem as limitações da inspeção manual.