Por favor, use este identificador para citar o enlazar este ítem:
http://cicese.repositorioinstitucional.mx/jspui/handle/1007/3948| Medición del campo magnético estelar con aprendizaje profundo Measuring the stellar magnetic field with deep learning | |
| Joan Manuel Raygoza Romero | |
| Irvin Hussen López Nava JULIO CESAR RAMIREZ VELEZ | |
| Acceso Abierto | |
| Atribución | |
| campo magnético, parámetros de Stokes, regresión de parámetros, aprendizaje profundo, optimización magnetic fields, Stokes parameters, parameters regression, deep learning, optimization | |
| Los campos magnéticos juegan un papel crucial en la evolución estelar. Para comprender esta evolución, es fundamental medir y trazar los campos magnéticos en la superficie estelar. Estas mediciones se logran a través de observaciones espectropolarimétricas, utilizando la Ecuación de Radiación y Transferencia de Luz Polarizada, que describe la propagación de la radiación electromagnética polarizada. Las propiedades magnéticas se infieren ajustando los parámetros de Stokes I, Q, U, V (donde I representa la intensidad, Q y U la polarización lineal y V la polarización circular). En este estudio, proponemos un enfoque de aprendizaje profundo utilizando una red neuronal densa para estimar los parámetros de Stokes basados en ocho parámetros de entrada que describen la configuración del campo magnético. Para lograr esto, realizamos experimentos de escalado de los datos, diferentes configuraciones de la arquitectura de la red neuronal y la comparación de dos enfoques, uno donde la red neuronal densa estima simultáneamente los cuatro parámetros de Stokes y otro donde se entrena un modelo por cada parámetro, encontramos que la red neuronal densa es capaz de estimar con precisión los parámetros de Stokes I y V, siendo este último el más relevante. Sin embargo, enfrentamos dificultades al estimar los parámetros de Stokes Q y U en casos donde su amplitud era baja. Posteriormente, utilizamos esta red neuronal densa como parte de la función objetivo en el algoritmo Particle Swarm Optimization para recuperar el campo magnético. El modelo mostró un buen rendimiento en la recuperación de los valores, destacando nuestra metodología como una técnica novedosa y general para el estudio de campos magnéticos en estrellas, superando las limitaciones de los métodos tradicionales y logrando abarcar una amplia gama de intensidades de campos magnéticos. Además, realizamos una transferencia de aprendizaje y re-entrenamiento del modelo de estimación de los parámetros de Stokes para una longitud de onda diferente. Esto permitió obtener resultados similares en la recuperación del campo magnético utilizando menos datos y reduciendo el tiempo de entrenamiento. Por lo tanto, nuestro trabajo presenta una metodología que podría aplicarse a cualquier estrella, partiendo del mismo modelo base. Magnetic fields play a crucial role in stellar evolution. To understand this evolution, it is essential to measure and map the magnetic fields on the stellar surface. These measurements are achieved through spectropolarimetric observations, using the polarized radiative transfer equation, which describes the propagation of polarized electromagnetic radiation. Magnetic properties are inferred by adjusting the Stokes parameters I, Q, U, V (where I represents intensity, Q and U represent linear polarization, and V represents circular polarization). In this study, we propose a deep learning approach using a dense neural network to estimate the Stokes parameters based on eight input parameters that describe the magnetic field configuration. To achieve this, we conducted scaling experiments on the data, explored different configurations of the neural network architecture, and compared two approaches: one where the dense neural network simultaneously estimates all four Stokes parameters, and another where a separate model is trained for each parameter. We found that the dense neural network is capable of accurately estimating Stokes parameters I and V, with the latter being the most relevant. However, we encountered difficulties in estimating Stokes parameters Q and U in cases where their amplitudes were low. Subsequently, we used this dense neural network as part of the objective function in the Particle Swarm Optimization algorithm to recover the magnetic field. The model performed well in recovering the values, highlighting our methodology as a novel and general technique for studying magnetic fields in stars, surpassing the limitations of traditional methods and covering a wide range of magnetic field intensities. Furthermore, we conducted transfer learning and retraining of the Stokes parameter estimation model for a different wavelength. This allowed us to achieve similar results in magnetic field recovery using less data and reducing training time. Therefore, our work presents a methodology that could be applied to any star, starting from the same base model. | |
| CICESE | |
| 2023 | |
| Tesis de maestría | |
| Español | |
| Raygoza Romero, J.M. 2023. Medición del campo magnético estelar con aprendizaje profundo. Tesis de Maestría en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California. 60 pp. | |
| TECNOLOGÍA DE LA AUTOMATIZACIÓN | |
| Aparece en las colecciones: | Tesis - Ciencias de la Computación |
Cargar archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| tesis_Joan Manuel Raygoza Romero_11 sep 2023.pdf | Versión completa de la tesis | 7.58 MB | Adobe PDF | Visualizar/Abrir |