El presente trabajo tiene como finalidad la preparación de algoritmos automáticos, con técnicas de deep learning, para detectar exoplanetas a partir de los datos recogidos en la misión K2 de la NASA. Esta misión, heredera de la misión Kepler, recuperó, de multitud de estrellas, datos de su luminosidad a lo largo del tiempo, en lo que se denomina curvas de luz. Disminuciones en la luminosidad aparente podrían indicar un tránsito planetario frente a la estrella, a la cual ocultaría parcialmente. Este es uno de los métodos actuales más exitosos para la detección de exoplanetas. Debido a problemas en el equipamiento, la misión K2 sólo recogió información de periodos de unos 80 días, en diferentes sectores del cielo, a diferencia de la misión original Kepler, que recogió, de un único sector, datos de varios años. Así, el análisis de datos de la misión K2 presenta una dificultad importante al ser extremadamente difícil registrar un mismo tránsito planetario varias veces. Los tratamientos clásicos para la determinación de presencia de exoplanetas, se basan en un preprocesado inicial de las curvas de luz para detectar disminuciones temporales en la luminosidad, es decir, posibles tránsitos, y su posterior análisis, como entrada a modelos predictivos, para determinar si esas disminuciones de la luminosidad están asociadas a un exoplaneta o no. En este trabajo se plantea la utilización de la totalidad de los datos de cada curva de luz, sin el mencionado preprocesado y extracción previo de posibles tránsitos, en un enfoque end-to-end. Ello implica una dificultad añadida pero por otro lado debería permitir un análisis más temprano de la información que pueda estar disponible, por ejemplo, extrapolando los métodos a datos de misiones actualmente en curso, como TESS.

El present treball té com a finalitat la preparació d'algoritmes automàtics, amb tècniques de deep learning, per detectar exoplanetes a partir de les dades recollides en la missió K2 de la NASA. Aquesta missió, hereva de la missió Kepler, va recuperar, de multitud d'estrelles, dades de la seva lluminositat al llarg de el temps, en el que es denomina corbes de llum. Disminucions en la lluminositat aparent podrien indicar un trànsit planetari davant de l'estrella, a la qual ocultaria parcialment. Aquest és un dels mètodes actuals més exitosos per a la detecció d'exoplanetes. A causa de problemes en l'equipament, la missió K2 només va recollir informació de períodes d'uns 80 dies, en diferents sectors de el cel, a diferència de la missió original Kepler, que va recollir, d'un únic sector, dades de diversos anys. Així, l'anàlisi de dades de la missió K2 presenta una dificultat important al ésser més difícil registrar un mateix trànsit planetari diverses vegades. Els tractaments clàssics per a la determinació de presència d'exoplanetes, es basen en un preprocessat inicial de les corbes de llum per detectar disminucions temporals en la lluminositat, és a dir, possibles trànsits, i el seu posterior anàlisi, com a entrada a models predictius, per determinar si aquestes disminucions de la lluminositat estan associades a un exoplaneta o no. En aquest treball es planteja la utilització de la totalitat de les dades de cada corba de llum, sense l'esmentat preprocessat i extracció prèvia de possibles trànsits, en un enfoc end-to-end. Això implica una dificultat afegida però d'altra banda hauria de permetre una anàlisi més àgil de la informació que pugui estar disponible, per exemple, extrapolant els mètodes a dades de missions actualment en curs, com TESS.

The aim of this work is to prepare automatic algorithms, with deep learning techniques, to detect exoplanets from the data collected by NASA's K2 mission. This mission, heir to the Kepler mission, retrieved data on the luminosity of a multitude of stars over time, in what are called light curves. Decreases in apparent luminosity could indicate a planetary transit in front of the star, which it would partially obscure. This is one of the most successful current methods for exoplanet detection. Due to equipment problems, the K2 mission only collected data for periods of about 80 days, in different sectors of the sky, unlike the original Kepler mission, which collected data for several years from a single sector. Thus, the analysis of the K2 mission data presents a major difficulty as it is practically impossible to record the same planetary transit several times. The classical treatments for determining the presence of exoplanets are based on an initial preprocessing of the light curves to detect temporary decreases in luminosity, i.e. possible transits, and their subsequent analysis, as input to predictive models, to determine whether these decreases in luminosity are associated with an exoplanet or not. In this work we propose to use all the data from each light curve, without the aforementioned pre-processing and extraction of possible transits, in an end-to-end approach. This implies an added difficulty, but on the other hand it should allow an earlier analysis of the information that may be available, for example by extrapolating the methods to data from ongoing missions, such as TESS.