🌌 ExoPlanet - AI

Democratizando el descubrimiento de exoplanetas mediante Machine Learning

🚀 Demo en Vivo • 📖 Documentación • 🐛 Reportar Bug

---

📋 Tabla de Contenidos

• Resumen
• Demostración
• ¿Cómo Funciona?
• Beneficios Clave
• Impacto Esperado
• Stack Tecnológico
• Aspectos Innovadores
• Instalación Rápida
• Uso de Inteligencia Artificial
• Fuentes de Datos
• Contribuir
• Licencia

---

🌟 Resumen

ExoPlanets-AI es una plataforma web full-stack impulsada por inteligencia artificial que democratiza el descubrimiento de exoplanetas mediante modelos de Machine Learning de alto rendimiento.

🎯 Lo que Ofrecemos

Desarrollamos tres clasificadores especializados entrenados con datos reales de las misiones espaciales:

Misión	Precisión	Objetos Analizados
Kepler	94%	9,564+
K2	97%	2,398+
TESS	77%	15,314+

Nuestros modelos están optimizados con algoritmos LightGBM (Gradient Boosting) para maximizar la detección y reducir falsos positivos.

🚀 El Problema que Resolvemos

La plataforma resuelve el desafío de analizar grandes volúmenes de datos astronómicos al permitir que investigadores y entusiastas:

• 📤 Suban archivos CSV con curvas de luz
• 🤖 Obtengan predicciones automáticas en tres categorías:
  • ✅ Exoplanetas confirmados
  • 🔍 Candidatos prometedores
  • ❌ Falsos positivos
• 📊 Visualicen resultados en una interfaz intuitiva con estética espacial

Este proyecto acelera la identificación de nuevos mundos, traduce datos complejos en conocimiento accesible y promueve la colaboración científica ciudadana en la exploración más allá del sistema solar.

---

🎥 Demostración

🌐 Plataforma en Vivo

Visita nuestra demo interactiva: exoplanet-ai.ngrok.app

📸 Capturas de Pantalla

Página Principal	Dashboard de Análisis

✨ Características Principales

• Interfaz Espacial Inmersiva: Starfield animado con efectos glassmorphism
• Análisis en Tiempo Real: Procesamiento de CSV en segundos
• Dashboard Interactivo: Visualización de predicciones con Recharts
• Autenticación Segura: Integración con Clerk
• Responsive Design: Optimizado para todos los dispositivos

---

⚙️ ¿Cómo Funciona?

El sistema utiliza tres modelos LightGBM especializados, entrenados con más de 27,000 objetos astronómicos del NASA Exoplanet Archive.

🔄 Pipeline de Análisis

1️⃣ Usuario selecciona misión (Kepler, TESS o K2)
          ⬇️
2️⃣ Carga archivo CSV con curvas de luz
          ⬇️
3️⃣ Preprocesamiento automático
    • Transformaciones logarítmicas
    • Normalización de datos
          ⬇️
4️⃣ Feature Engineering (50+ características)
    • Ratios orbitales
    • Métricas de tránsito
    • Indicadores físicos
          ⬇️
5️⃣ Clasificación con modelo especializado
    • LightGBM optimizado por misión
    • Probabilidades de cada clase
          ⬇️
6️⃣ Resultados visualizados
    ✅ Confirmados | 🔍 Candidatos | ❌ Falsos Positivos

🧮 Características Derivadas

El sistema genera automáticamente más de 50 características avanzadas, incluyendo:

• Ratios Físicos: koi_depth / koi_prad, koi_period / koi_duration
• Métricas de Tránsito: Profundidad, duración, forma
• Parámetros Orbitales: Período, semieje mayor, excentricidad
• Indicadores de Confianza: Signal-to-noise ratio, estadísticas χ²

---

💡 Beneficios Clave

Beneficio	Impacto
⚡ Velocidad	Reduce de semanas a minutos el análisis de datos astronómicos
🌍 Democratización	Acceso a herramientas de detección profesional sin requisitos técnicos
🎨 Usabilidad	Interfaz intuitiva, sin necesidad de programación
📈 Escalabilidad	Procesamiento por lotes de miles de objetos simultáneamente
🤝 Ciencia Ciudadana	Fomenta la participación pública en descubrimientos científicos

---

🌍 Impacto Esperado

ExoPlanets-AI busca acelerar el descubrimiento de exoplanetas, permitiendo que astrónomos profesionales y aficionados analicen grandes catálogos de datos de forma eficiente.

🎯 Objetivos

• 🔭 Priorizar candidatos prometedores para observaciones espectroscópicas de seguimiento
• 📚 Contribuir al entendimiento de la distribución planetaria en la galaxia
• 🚀 Impulsar la colaboración entre instituciones científicas y comunidades de astrónomos aficionados
• 🌌 Facilitar el análisis de datos de futuras misiones espaciales

---

🛠️ Stack Tecnológico

Frontend

├── Next.js 15 (App Router, RSC)
├── React 19 (Suspense, Transitions)
├── TypeScript 5.7 (Strict mode)
├── Tailwind CSS 4 (JIT compiler)
├── Framer Motion (Animaciones)
└── Recharts (Visualización de datos)

Backend

├── Python 3.13
├── FastAPI (API REST)
├── Uvicorn (ASGI server)
├── LightGBM (Clasificación)
└── pandas + NumPy (Procesamiento)

Machine Learning

├── LightGBM (Gradient Boosting)
├── scikit-learn (Pipeline)
├── pandas (DataFrames)
├── NumPy (Arrays)
└── Matplotlib + Seaborn (Visualización)

Base de Datos & Autenticación

├── PostgreSQL (Supabase)
├── Drizzle ORM
└── Clerk (Auth)

DevOps & Deployment

├── Vercel (Frontend)
├── Vercel Serverless (Backend)
├── Git + GitHub
└── npm + pip

---

🚀 Aspectos Innovadores

1️⃣ Modelos Especializados

Tres clasificadores independientes, cada uno optimizado según las características únicas de su misión espacial:

• Kepler: Optimizado para curvas de luz de larga duración (4 años)
• K2: Adaptado a datos con mayor ruido instrumental
• TESS: Especializado en tránsitos de objetos brillantes

2️⃣ Feature Engineering Avanzado

Creación de ratios físicamente significativos que capturan relaciones orbitales complejas:

# Ejemplos de características derivadas
depth_to_radius_ratio = koi_depth / (koi_prad ** 2)
period_to_duration_ratio = koi_period / koi_duration
impact_parameter = koi_impact * (1 + koi_prad / koi_srad)

3️⃣ UI Inmersiva

Interfaz con starfield animado, efectos glassmorphism y tema oscuro inspirado en observatorios astronómicos reales.

4️⃣ Pipeline Automatizado

Procesamiento end-to-end de archivos CSV heterogéneos con lectura automática de metadatos y detección de columnas relevantes.

5️⃣ Arquitectura Escalable

Diseño serverless preparado para múltiples usuarios simultáneos con optimización de recursos.

---

🏗️ Factores de Diseño y Rendimiento

Factor	Estrategia
Precisión vs. Interpretabilidad	Equilibrio entre alto rendimiento (94–97%) y modelos explicables
Escalabilidad	Arquitectura serverless con auto-scaling
Accesibilidad	Diseño responsive, controles intuitivos, paleta de alto contraste
Validación Científica	Cross-validation rigurosa y métricas ajustadas a conjuntos desbalanceados
Optimización Web	Bundle size reducido, lazy loading, SSR para máximo rendimiento

---

🚀 Instalación Rápida

Prerrequisitos

• Node.js 18+ y npm
• Python 3.10+
• Git

1️⃣ Clonar el Repositorio

git clone https://github.com/MiloAgudelo/ExoPlanets-AI.git
cd ExoPlanets-AI

2️⃣ Backend (FastAPI)

Opción A: Scripts Automatizados (Recomendado)

cd backend

# Windows PowerShell
.\start.ps1

# Windows CMD
start.bat

# Linux/Mac
chmod +x start.sh
./start.sh

Opción B: Configuración Manual

cd backend

# Crear entorno virtual
python -m venv venv

# Activar entorno
# Windows PowerShell:
.\venv\Scripts\Activate.ps1
# Windows CMD:
venv\Scripts\activate.bat
# Linux/Mac:
source venv/bin/activate

# Instalar dependencias
pip install -r requirements.txt

# Ejecutar servidor
uvicorn api.index:app --reload --port 8000

El backend estará disponible en: http://localhost:8000

3️⃣ Frontend (Next.js)

cd frontend

# Instalar dependencias
npm install --legacy-peer-deps

# Configurar variables de entorno
echo "NEXT_PUBLIC_API_URL=http://localhost:8000" > .env.local

# Ejecutar en desarrollo
npm run dev

El frontend estará disponible en: http://localhost:3000

4️⃣ Variables de Entorno

Crea un archivo .env.local en la carpeta frontend:

# API
NEXT_PUBLIC_API_URL=http://localhost:8000

# Supabase (opcional)
DATABASE_URL=tu_url_de_supabase

# Clerk (opcional)
NEXT_PUBLIC_CLERK_PUBLISHABLE_KEY=tu_clerk_key
CLERK_SECRET_KEY=tu_clerk_secret

5️⃣ Verificar Instalación

1. Abre http://localhost:3000
2. Navega a "Analizar Datos" o "Asistente IA"
3. Sube un archivo CSV de prueba (disponible en ml-pipeline/sample_data.csv)
4. Verifica que las predicciones se generen correctamente

---

🤖 Uso de Inteligencia Artificial

ExoPlanets-AI integra herramientas de inteligencia artificial como Cursor, GitHub Copilot, Claude AI, ChatGPT 5 (OpenAI API) y Gemini, empleadas exclusivamente para aumentar la productividad y precisión durante el desarrollo.

⚠️ La IA NO sustituyó el diseño conceptual, científico ni creativo del proyecto.

1️⃣ Desarrollo de Código (GitHub Copilot, Cursor, Claude AI, ChatGPT 5, Gemini)

• ✅ Asistencia en la generación de boilerplate TypeScript y Python
• ✅ Sugerencias para la implementación de componentes React y optimización de estados
• ✅ Mejora de queries SQL y funciones de preprocesamiento de datos
• ✅ Depuración y resolución de errores de compatibilidad en entornos Next.js / FastAPI

Metadata: Todos los archivos fuente incluyen comentarios que identifican secciones asistidas por IA.

2️⃣ Machine Learning (LightGBM – Gradient Boosting)

Los clasificadores son redes de decisión basadas en algoritmos de gradient boosting entrenadas sobre 27,000+ objetos astronómicos del NASA Exoplanet Archive.

• ✅ Entrenamiento supervisado, con documentación completa de precisión, matrices de confusión y feature importance
• ✅ Transparencia: Los reportes de entrenamiento y validación se incluyen en la documentación técnica
• ❌ No IA Generativa: Los modelos no crean contenido sintético; únicamente clasifican datos reales de observaciones astronómicas

3️⃣ Documentación y Comunicación Técnica (Claude AI & ChatGPT 5)

• ✅ Generación y edición de archivos README, guías técnicas y documentación bilingüe (inglés / español)
• ✅ Revisión de redacción técnica, estructura narrativa y consistencia terminológica

Metadata: Cada archivo de documentación incluye una nota que indica asistencia parcial de IA.

4️⃣ Exclusiones de IA

NO se utilizó inteligencia artificial para:

• ❌ Creación de imágenes (el logotipo empleado es propiedad de NASA, no del proyecto)
• ❌ Generación de video o audio
• ❌ Modificación de elementos de marca oficiales
• ❌ Producción de datos sintéticos o aumentación de datasets

🏆 Originalidad y Propiedad Intelectual

El concepto general, la arquitectura del sistema, el diseño de las características de Machine Learning y la lógica de negocio son completamente originales.

Las herramientas de IA fueron utilizadas como asistentes de productividad, no como reemplazo de la creatividad, razonamiento científico o desarrollo técnico independiente del equipo.

---

📊 Fuentes de Datos

NASA Exoplanet Archive

Dataset	Objetos	Enlace
Kepler Objects of Interest (KOI)	9,564	KOI Cumulative List
TESS Objects of Interest (TOI)	15,314	TOI Catalog
K2 Planets & Candidates	2,398	K2 Catalog

Referencias Científicas

• 📄 Exoplanet detection using machine learning
• 📄 Assessment of Ensemble-Based Machine Learning Algorithms for Exoplanet Identification

---

🤝 Contribuir

¡Las contribuciones son bienvenidas! Si deseas mejorar ExoPlanets-AI:

1. Fork el repositorio
2. Crea una rama para tu feature (git checkout -b feature/AmazingFeature)
3. Commit tus cambios (git commit -m 'Add some AmazingFeature')
4. Push a la rama (git push origin feature/AmazingFeature)
5. Abre un Pull Request

📝 Guías de Contribución

• Sigue las convenciones de código (Biome/Ultracite para TypeScript)
• Agrega tests para nuevas funcionalidades
• Actualiza la documentación según corresponda

---

📄 Licencia

Este proyecto está bajo la licencia MIT. Ver el archivo LICENSE para más detalles.

---

👥 Equipo

Desarrollado con ❤️ por el equipo de ExoPlanets-AI

---

🙏 Agradecimientos

• NASA Exoplanet Archive por proporcionar los datasets
• Kepler, TESS y K2 misiones espaciales
• Comunidad de astrónomos aficionados y científicos ciudadanos
• Herramientas de código abierto que hicieron posible este proyecto

---

⬆ Volver arriba

Made with 🚀 for the universe