El proyecto explorará la detección de anomalías en grandes cartografíados astronómicos utilizando redes neuronales de tipo generativas profundas. La próxima generación de estudios espectroscópicos y fotométricos (por ejemplo, Euclid, WFIRST, LSST) observará una cantidad de fuentes sin precedentes que impiden cualquier inspección detallada de objetos individuales.

Sin embargo, muchos de los principales descubrimientos en astronomía provienen de inspecciones fortuitas impulsadas por humanos.

¿Cómo podemos hacer descubrimientos en la era del big data?

Exploraremos cómo se pueden usar los modelos generativos profundos no supervisados (GAN, VAE) y probabilísticos (Fllows, pixelCNNs) para estimar la distribución de probabilidad de los objetos "normales" y así buscar desviaciones de estas distribuciones para identificar objetos anómalos de manera totalmente no supervisada.

Validaremos y aplicaremos nuestros métodos en grandes cartografíados existentes (por ejemplo, HSC, DES) y los prepararemos para su aplicación en la misión espacial Euclid donde se integrará nuestro detector de anomalías en la pipeline de reducción fotométrica.