Tesis profesional presentada por Ricardo Alberto Hernández López [ricardo.hernandezlz@udlap.mx]

Miembro del Programa de Honores. Licenciatura en Física. Departamento de Actuaría, Física y Matemáticas. Escuela de Ciencias, Universidad de las Américas Puebla.

Jurado Calificador

Directora: Dra. Milagros Zeballos Rebaza
Presidente: Dr. Roberto Rosas Romero
Secretario: Dr. Julio Lenin Domínguez Ramírez

Cholula, Puebla, México a 6 de diciembre de 2023.

Resumen

En la presente investigación se replicará parte de un artículo llamado ?Enfoque de aprendizaje profundo para clasificar, detectar y predecir corrimientos al rojo fotométricos de cuásares observados en la región de la banda 82 con el SDSS (Sloan Digital Sky Survey) escrito por J. Pasquet-Itam y J. Pasquet. En este artículo usan una red neuronal convolucional o CNN para diferenciar entre curvas de luz cuásares, estrellas pulsantes y otras fuentes variables. Para ello toman en cuenta la variabilidad de los objetos convirtiendo sus curvas de luz en imágenes. El ancho de las imágenes corresponde a las cinco magnitudes observadas con el SDSS utilizando los filtros u, g, r, i, y z, mientras que la altura de las imágenes está conformada por las fechas de la observaciones. El objetivo final de dicho artículo es determinar el corrimiento al rojo de los objetos identificados como cuásares, que es el desplazamiento de sus espectros hacia longitudes de onda más grandes debido a la expansión del universo. Debido a cuestiones de tiempo la presente investigación se limitará solamente a replicar el proceso de clasificación.

Palabras clave: Fotometría, Espectroscopía, Cuásares, Estrellas Variables, Redes Neuronales Convolucionales, Aprendizaje Profundo, Stripe 82 SDSS.

Índice de contenido

Portada

Índices

Capítulo 1. Introducción

  • 1.1 Corrimiento al rojo
  • 1.2 Espectroscopía y fotometría
  • 1.3 Filtros y magnitudes
  • 1.4 Cuásar
  • 1.5 Estrella variable
  • 1.6 Curva de luz
  • 1.7 Sondeos
  • 1.8 Métodos para clasificar cuásares sin inteligencia artificial
  • 1.9 Métodos para clasificar cuásares con inteligencia artificial
  • 1.10 Aprendizaje profundo
  • 1.11 Redes neuronales convolucionales
  • 1.12 Operaciones en redes neuronales convolucionales
  • 1.13 Entrenamiento
  • 1.14 Tensorflow y Keras
  • 1.15 Caffe
  • 1.16 Importancia de este trabajo

Capítulo 2. Trabajo previo

  • 2.1 TensorFlow
  • 2.2 Caffe
  • 2.3 Comparación entre Tensorflow y Caffe

Capítulo 3. Obtención de datos

  • 3.1 Catálogo

Capítulo 4. Identificación de fuentes variables como cuásares

  • 4.1 Columna 1 y 2
  • 4.2 Columna 3
  • 4.3 Columna 4
  • 4.4 Columna 5

Capítulo 5. Resultados y discusión

  • 5.1 Tensorflow
  • 5.2 Caffe

Capítulo 6. Conclusiones y trabajo a futuro

Referencias

Anexos

Hernández López, R. A. 2023. Clasificación de cuásares utilizando redes neuronales convolucionales. Tesis Licenciatura. Física. Departamento de Actuaría, Física y Matemáticas, Escuela de Ciencias, Universidad de las Américas Puebla. Diciembre. Derechos Reservados © 2023.