III Simposio de Postgrado 2025: Ingeniería, ciencia e innovación

Módulo Astronomía y Física 01 36 *E-mail: fjaque@das.uchile.cl ¹ Departamento de Astronomía, Universidad de Chile ² Instituto de Física y Astronomía, Universidad de Valparaíso Felipe Jaque Peña ¹* Patricia Arévalo ² Predicción de masas de Agujeros Negros Supermasivos utilizando características de variabilidad mediante aprendizaje automático __Referencias [1] Arevalo P., Lira P., Sánchez-Sáez P., Patel P., López-Navas E., Churazov E., Hernández-García L., 2023, MNRAS, 526, 6078 [2] Mechbal et al. (2024), A&A, 685, A107. [3] Lin et al. (2023), AGNet: Weighing black holes with deep learning, MNRAS, 518, 4921. Los Núcleos Activos de Galaxias (AGN) son galaxias que albergan en su centro un agujero negro supermasivo (SMBH). Este agujero negro crece al atraer ma- teria circundante a través de un disco de acreción, un proceso altamente energético que produce emisión de luz en todo el espectro electromagnético. Esta emisión varía de manera irregular o estocástica a lo largo del tiempo, y di- cha variabilidad ha sido utilizada para estudiar propiedades físicas del AGN (Arévalo et al. 2023). Sin embargo, la relación entre esta variabilidad y pará- metros fundamentales como la masa del agujero negro (MBH) o la tasa de acreción (Redd), es decir, la razón a la que el agujero negro aumenta su masa, sigue siendo un problema abierto. En este trabajo se desarrolló un modelo de aprendizaje automático (ML) para estimar la MBH y Redd de los AGN a partir de su variabilidad fotométrica. El objetivo es ofrecer una alternativa a las técnicas espectroscó- picas tradicionales, las cuales pueden ser muy costosas o incluso imposibles de implementar. Se utilizaron características de variabi- lidad extraídas de series temporales de brillo en función del tiempo, para dos rangos de longitud de onda. Con esta información se entrenó un modelo de ML, utilizando valores físicos obtenidos mediante espectroscopía. Los resulta- dos muestran que el uso de múltiples rangos de longitud de onda mejora el desempeño del modelo en la estima- ción de ambos parámetros físicos, en comparación con pruebas realizadas utilizando una sola banda fotométrica. Este trabajo demuestra que es posible estimar la masa y la tasa de acreción de un AGN utilizando principalmente características de su variabilidad. El rendimiento del modelo es compara- ble con estudios previos que no utilizan información de variabilidad (Mechbal et al. 2024; Lin et al. 2023), y reafirma el potencial del aprendizaje automá- tico como herramienta para estudiar SMBHs a partir de datos fotométricos Resumen