La IA y los problemas difíciles del mundo · Astronomía y espacio · arXiv · 2026-10-21
J-PLUS: identificación de distribuciones de energía espectral atípicas en la cuarta liberación de datos mediante aprendizaje automático no supervisado
Título original: J-PLUS: Identifying Outlier Spectral Energy Distributions in the Fourth Data Release Using Unsupervised Machine Learning
Seleccionar candidatos de poblaciones estelares raras o poco representadas, así como objetos novedosos, es esencial para el seguimiento espectroscópico, por lo que los autores aplicaron una técnica de detección de anomalías basada en autoencoders a datos fotométricos de doce bandas de J-PLUS para identificar distribuciones de energía espectral que se desvían del patrón dominante. A continuación aplicaron t-SNE a los colores de la población atípica y clasificaron los valores atípicos combinando información de la base de datos SIMBAD y otros sondeos astronómicos, caracterizando islas bien definidas en el mapa t-SNE que corresponden a poblaciones específicas. El estudio identificó una gran muestra de enanas blancas y estrellas de baja masa, incluido un pequeño subconjunto de enanas blancas contaminadas, e informa de posibles candidatos para seguimiento espectroscópico: 19 estrellas ricas en carbono, 11 variables cataclísmicas y 170 binarias de enana blanca y secuencia principal, todos ellos no reportados previamente en la literatura.