GPUPhot: GPU로 점광원 검출·측광 전과정 처리하는 알고리즘 공개
연구진은 점광원 검출과 측광의 모든 단계를 고정 커널 합성곱 또는 전체 프레임 단위 원소별 연산으로 재구성해 GPU에서 처리하는 알고리즘 묶음 GPUPhot을 공개했다. 공간적으로 변하는 점확산함수(PSF)를 유량 보존 주성분 고유모드와 위치 의존 계수로 기술함으로써, 위치에 따라 달라지는 매치드 필터를 최대우도 기반을 유지한 채 소수의 합성곱으로 분해한다. 배경 기울기가 크고 PSF가 불균일한 영역에서도 1픽셀 이하의 위치 측정 정확도와 밝은 천체에 대해 수 밀리등급 수준의 측광 정밀도를 달성했다고 밝혔다. 이 파이프라인은 테이데 천문대 망원경에서 이미 운영 중이며, 2023년 이후 370만 장(1.2PB)의 영상을 150Mpx 이미지당 15초 미만의 엔드투엔드 처리 속도로 소화했다. 소프트웨어 패키지는 논문과 함께 공개됐다.
원문 전체를 보시려면
큐픽스 우주는 원문 전재 없이 요약과 링크만 제공합니다.
관련 기사
APOD: 숨겨진 은하 IC 342 — 은하수 먼지를 뚫고 포착
NASA 오늘의 천체사진(APOD)이 11월 4일자로 은하수 평면의 가스·먼지·별을 뚫고 촬영한 나선은하 IC 342(칼드웰 5)를 소개했다. 약 1,000만 광년 거리에 있는 IC 342는 우리 은하가 속한 국부은하군과 비교적 가까운 IC 342/마페이 은하군의 가장 밝은 구성원 중 하나로, 복잡하고 먼지가 많은 은하수 전경을 부정확하게 계산한 탓에 과거 '국부은하군에서 방출된 은하'라는 가설이 제기되기도 했다. IC 342 자체의 먼지가 수소 가스의 빛을 간헐적으로 가리는 모습은 밝고 젊은 별들의 존재를 시사하며, 자기장 지도는 나선팔 형성이라는 난제에 자기장이 상당한 기여를 할 가능성을 보여준다. 사진은 아르템 미로노프(Artem Mironov)가 촬영했다.
NASA
구면 위 벡터·스핀장을 위한 등변 학습 기법 '스핀 구면 푸리에 신경 연산자' 제안
우주배경복사(CMB) 편광, 약한 중력렌즈의 전단(shear), 바람 등은 국소 좌표계가 회전할 때 위상이 변하는 스핀장인데, 연구진은 구면 푸리에 신경 연산자(SFNO)를 임의의 스핀 값을 갖는 장으로 확장했다. 스핀장을 회전군 위의 매키(Mackey) 함수로 올리는 개념적 틀을 바탕으로, 조화 표현과 구면·회전군 표본화 정리를 이용해 정확하고 효율적인 '들어올린 구면 합성곱'을 구성해 회전 등변성을 엄밀히 확보했다. 이렇게 만든 스핀 SFNO(S²FNO)는 각 층에서 회전 등변성이 기계 정밀도 수준으로 성립함을 실증했으며, 기존 벤치마크에서 최고 수준의 성능을 기록하고 새로 제시한 벤치마크에서는 스핀을 인식하는 모델이 스칼라 모델보다 더 나은 결과를 보였다.
arXiv astro-ph.IM (관측기기)
M17 성운에서 He I 10830Å 공명산란 관측 — H II 영역의 광학 깊이·가스 운동 진단 가능성
연구팀은 매젤란 망원경의 WINERED 분광기(분해능 R≈70,000)로 M17 성운의 이온화원 CEN 1에서 남서쪽 바(bar) 방향으로 늘어선 6개 지점을 관측해 He I 10830Å 선과 Paγ 선을 동일 노출에서 확보했다. He I 10830Å 선형은 모든 지점에서 여러 개의 봉우리로 갈라진 반면, 공명산란을 겪지 않는 Paγ는 단일 봉우리를 보여 He I의 다중 봉우리가 가스 운동이나 기기적 효과가 아닌 공명산란에서 비롯됐음을 뒷받침한다. 이는 Draine(2026)이 예측한 결과와 일치하지만, CEN 1에서 멀리 떨어진 두 지점에서는 어떤 광학 깊이의 정적 구형 대칭 모형으로도 선폭과 비대칭성을 동시에 재현할 수 없었고 두 선형 모두 정적 모형보다 적색 쪽으로 치우쳐 있었다. 연구팀은 이런 선형이 팽창하는 가스 내 산란에서 예상되는 특징이라고 보고, 분해된 He I 10830Å 선형이 H II 영역의 광학 깊이와 He+ 영역 운동을 가늠하는 새로운 진단 수단이 될 수 있다고 주장했다.
arXiv astro-ph.GA (은하)
변광성 분류, 특징 기반 머신러닝이 딥러닝보다 우수…ZTF 데이터 4만 개 비교 연구
ZTF(Zwicky Transient Facility) StarEmbed 데이터셋의 약 4만 개 천체, 7개 불균형 클래스를 대상으로 특징 기반 머신러닝과 광도곡선 원본을 그대로 학습하는 엔드투엔드 딥러닝을 비교한 연구가 발표됐다. 물리적 근거를 가진 특징으로 학습한 고전적 모델이 딥러닝 신경망을 일관되게 앞섰고, 연구진은 라벨이 붙은 데이터가 제한적인 점이 성능 차이의 한 원인이라고 분석했다. 또한 광도곡선이 다변량이고 샘플링이 불규칙하며 형태적으로 다양하다는 점이 딥러닝 모델에 추가적인 난관으로 작용한다고 지적했다. 연구진은 현재 모델이 주어진 학습 데이터 규모에서는 일반화에 실패한다며, 라벨 데이터셋 확대와 대규모 비라벨 서베이를 활용한 자기지도 사전학습의 효용을 추가로 검증할 필요가 있다고 밝혔다.
arXiv astro-ph.IM (관측기기)