레이블 없이 변광성 광곡선 특성 분석하는 멀티모달 표현학습 기법 제안

연구진은 ZTF와 베라 루빈 천문대 LSST 같은 대규모 탐사가 생산하는 수억 개 변광원 광곡선을 레이블 없이 특성화하는 서베이 비의존적 프레임워크를 제시했다. 원시 관측값을 처리하는 트랜스포머 인코더와 일반화 롬-스카글(Lomb-Scargle) 주기도를 처리하는 합성곱 신경망(CNN)을 결합하고, 각 광곡선을 두 개의 시간 구간으로 무작위 분할해 독립적인 뷰로 삼아 VICReg으로 함께 학습시켜 진폭·주기성·비대칭성 등의 성질을 64차원 임베딩에 담았다. 4개 물리 범주에 걸친 14개 변광성 분류의 ZTF 천체 37,006개로 평가한 결과, 고정된 임베딩에 선형 분류기를 적용해 분류별 균형 정확도 77.1%, 광범위 범주에서는 90.5%를 달성했으며, 두 분기를 결합하면 단일 모달리티 최고 성능보다 최대 14.9%포인트 향상됐다. ZTF g밴드와 i밴드로 수정 없이 재학습해도 주요 결과가 재현됐고, 다중 밴드 임베딩을 연결하면 균형 정확도가 86.1%까지 올라갔으며, 이 기법은 레이블·위상 접기·서베이별 전처리가 필요 없어 다른 탐사에도 바로 적용할 수 있다고 연구진은 밝혔다.