Algoritmos de Agrupamento de Aprendizagem de Máquina como uma ferramenta para identificar famílias de asteroides
André Felipe Moraes Luiz Lucchini, Valerio Carruba, Safwan Aljbaae, Universidade Estadual Paulista Júlio de Mesquita FIlho, FEG, Física, andre.lucchini@unesp.br, PIBIC.
Palavras Chave: asteroides: mecânica geral celestial, aprendizagem de máquina.
Introdução
Famílias de asteroides são grupos de asteroides que compartilham uma origem comum. Elas podem ser o resultado de colisões ou o resultado da fissão rotacional de um corpo parente ou de seus satélites.
Família de asteroides colisionais tem sido identificadas por muitas décadas usando o Métodos de Agrupamento Hierárquico (MAH) no domínio dos elementos próprios. Esses elementos são o semieixo maior(a), excentricidade(e), e seno da inclinação do corpo(sin i). Recentemente, novos algoritmos de Agrupamento por Aprendizagem de Máquina, tem sido introduzido. Neste trabalho nós propomos de usar os novos algoritmos para a identificação de grupos de asteroides. Neste trabalho foram identificadas as famílias em cinco regiões orbitais adequadas para a aplicação do novo método: a região dos asteroides de Hungaria, os cinturões principais interno, central e externo de alta inclinação, e a região dos asteroides de Cybele.
Objetivo
Identificar, por meio de algoritmos de Agrupamento por Aprendizagem de Máquina, famílias de asteroides.
Material e Métodos
Agrupamento Hierárquico: Esse método consiste na análise e cálculo da distância métrica entre o asteroide estudado e um corpo de referência. Se a distância do asteroide ao corpo for menor que o valor limite característico, chamado de valor de corte, o corpo é então atribuído á família do asteroide de referência da família e usado como próximo corpo de referência até nenhum outro candidato seja identificado. Algoritmos de aprendizagem de maquinas na linguagem PYTHON efetuam estas operações automaticamente, para toda a amostragem de asteroides.
Resultados e Discussão
A eficiência de método de aprendizagem de maquina com respeito a resultados de métodos anteriores pode ser medida por meio de indicadores como a exatidão e a precisão, que dependem das quantidades TP (True Positive, número de objetos identificados pelos dois métodos), TN (True negatives, número de objetos rejeitados pelos dois métodos, FP (membros de famílias encontrados somente pelo método de aprendizagem de maquina) e FN (membros de famílias encontrados somente pelo método tradicional). A exatidão é a medida da qualidade geral da predição, e pode ser definida como:
Já a precisão mede a habilidade do modelo de evitar predições de falsos dados, e pode ser definido como:
Tal abordagem mostra, em relação ao método anterior que é capaz de identificar membros de famílias com uma exatidão acima de 89.5%.
Contudo, a limitação desse novo método consiste em sua precisão. Os algoritmos de Agrupamento por Aprendizagem de Máquina tendem a encontrar mais membros de famílias que o MAH padrão.
Figura 1. Dendrograma das distâncias orbitais para 50 objetos na região orbital de Cybele.
Conclusões
Enquanto, computacionalmente, os dois métodos, o padrão MAH e o Algoritmos de Aprendizagem de Máquina são bastante eficientes, uma vantagem do segundo é a facilidade com a qual novas famílias de asteroides são identificadas. Por exemplo, o dendrograma das distancias dos aglomerados de asteroides são produzidos quase instantaneamente (veja figura 1). No geral, nós identificamos 7 novas famílias e 15 novos aglomerados nas regiões onde o método pode ser aplicado.
Agradecimentos
Este trabalho foi possível graças ao auxilio do programa PIBIC do CNPq.
____________________
1. Carruba, V.; Nesvorny, D.; Aljbaae, S.; Huaman, M.. Dynamical evolution of the Cybele asteroids. Monthly Notices of the Royal Astronomical Society (print), v. 451, 2015.
2. CARRUBA, V; ALJBAAE, S. ; LUCCHINI, A. F. M. L. . Machine-learning identification of asteroid groups. MONTHLY NOTICES OF THE ROYAL ASTRONOMICAL SOCIETY, v. 488, p. 1377-1386, 2019.
3. Milani, A.; Cellino, A.; Knezevic, Z.; Novakovic, B.; Spoto, F.;
Paolicchi, P.. Asteroid families classification: Exploiting very large datasets. Icarus, v. 239, 2014.
4. Zapallá V.; Bendjoya, P.; Cellino, A.; Farinella, P.; Froeschlé. C..
Asteroid families: Search of a 12,487- asteroid sample using two different clustering techniques. Icarus, v. 115, 1995.
XXXI Congresso de Iniciação Científica
Precisão
Exatidão
