Técnicas de

Abstract

RESUMEN: Las innumerables ventajas de la observación en ondas de radio han estado siempre limitadas por su gran desventaja, la resolución. Sin embargo, el proyecto SKA pretende deshacerse de este lastre, a través de la construcción del mayor radiotelescopio del mundo, haciendo uso del fenómeno de interferencia aplicado a ondas de radio. Las imágenes producidas por este aparato tendrán una resolución mucho mayor que la de otros telescopios de su tipo, permitiendo la exploración de lugares nunca antes vistos. Sin embargo, el manejo por parte de la comunidad del enorme volumen de datos que tiene previsto generar, requiere de un entrenamiento previo. Dentro de ese entrenamiento, se ha desarrollado un algoritmo capaz de detectar galaxias, utilizando una imagen con su emisión en el continuo de frecuencias. Para este fin, se ha construido una modelo de red neuronal basado en la arquitectura U-Net, que finalmente se ha comparado con otros modelos ya programados. A pesar del esfuerzo, ninguna de las arquitecturas ha conseguido una precisión superior al 10 %.

ABSTRACT: Radioastronomy has always been limited by the small resolution of its instruments, mainly due to unavoidable physical reasons. Nevertheless, one of the SKA project’s aims is to overcome this difficulty by the construction of the biggest radiotelescope ever created, making use of the technique of interferometry to obtain its images. These images produced by the telescope will have a resolution never seen in any instrument, including the ones located in the outer space. In order to train the community in the use of the large datasets, the project’s developers have created a data challenge, consisting in the detection of radio sources in a continuum emission datacube. To solve the challenge, a convolutional neural network has been implemented, based in the U-Net architecture. Finally, the architecture was tested against other preprogrammed architectures, from the keras-unet-collection python package, resulting in none of them achieving a precision bigger than a 10%.