São Paulo — InkDesign News —
Um novo projeto destaca a aplicação de machine learning e deep learning na detecção e previsão de erupções estelares. Utilizando dados da sondagem TESS, o estudo busca aprimorar a compreensão do comportamento estelar.
Arquitetura de modelo
O modelo proposto baseia-se na combinação de técnicas de clustering não supervisionado e aprendizado supervisionado. Para a detecção, foi adotado o algoritmo DBSCAN, que identifica picos de fluxo relacionados às erupções estelares. Este método é notável por sua capacidade de classificar flares com base na densidade dos dados, algo crucial, pois as erupções são eventos raros. Além disso, foram construídos recursos adicionais, como média móvel e desvio padrão do fluxo, permitindo uma representação mais rica dos padrões temporais dos dados.
“Com uma boa arquitetura de detecção implementada, o próximo passo foi desenvolver um modelo preditivo usando XGBoost, com os rótulos de flares gerados pelo DBSCAN.” (“With a good flare detection model in place, my next step was to build a predictive model using XGBoost, with the flare labels generated by DBSCAN serving as the response.”) — Pesquisador Anônimo.
Treinamento e otimização
O treinamento do modelo foi realizado em 80% dos dados, enquanto os 20% restantes foram utilizados para avaliação. Após testar diferentes parâmetros do DBSCAN, a sensibilidade alcançou 0,9 em simulações, permitindo que o modelo detectasse tanto flares fortes quanto fracos. O tempo de treinamento do modelo XGBoost destacou-se pela eficiência, levando menos de dez segundos, em contraste com os trinta minutos requeridos pelo modelo LSTM.
“XGBoost conseguiu detectar vários flares menores que o modelo LSTM não capturou.” (“XGBoost successfully captured several smaller flares that the LSTM model did not.”) — Pesquisador Anônimo.
Resultados e métricas
As métricas de desempenho indicam que o XGBoost obteve um bom desempenho em identificar eventos não-flash, com precisão e sensibilidade promissoras. Entretanto, o modelo LSTM também demonstrou resultados relevantes, embora com limitações na detecção de flares menores. A proposta de tolerâncias temporais para melhorar a precisão da denominação dos flares apresenta um próximo passo na pesquisa.
O projeto expõe potencial significativo na combinação de métodos não supervisionados e supervisionados, propondo um pipeline robusto e eficiente para detecção e previsão de flares estelares. A busca por validações em diferentes ambientes estelares é uma diretriz para futuras investigações.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
