연구진은 전면 H$\alpha$ 영상에서 태양 필라멘트가 시선 방향 투영 효과로 조각나고 병합되어 보여 자동 추적이 어려운 문제를 다뤘다. 이들은 필라멘트 조각을 노드로, 조각 간 후보 관계를 엣지로 표현해 같은 필라멘트에 속하는지를 추론하는 그래프 기반 학습 문제로 정식화했다. 또한 기존의 덧셈 집계를 곱셈 방식으로 대체한 곱셈 집계 계층을 도입한 새로운 그래프 신경망(GNN)을 제안했으며, 실험 결과 해당 기법이 필라멘트 조각 연결에서 신뢰할 만한 성능을 보였다고 밝혔다.
arXiv astro-ph.IM (관측기기)
연구진은 지상 전파 검출기 배열에서 초고에너지 우주선이 유도하는 전압 신호로부터 도래 방향과 에너지를 재구성하는 머신러닝 기법을 개발했다. 신호가 감지된 안테나들을 그래프 구조로 표현해 그래프 신경망(GNN)에 입력하고, 물리적 지식을 신경망 구조와 입력 데이터에 함께 반영해 정밀도를 높이고 완전 데이터 기반 방식보다 필요한 학습 데이터 규모를 줄였다. 현실적인 잡음 조건을 반영한 시뮬레이션 데이터에서 각분해능 0.092도, 전자기 에너지 재구성 분해능 16.4%를 달성했다. 또한 불확실성 추정 기법을 적용해 방향과 에너지 재구성 각각에 신뢰구간을 제공하고, 시뮬레이션과 실제 환경 간 도메인 차이에도 예측이 신뢰할 수 있는 조건을 확인하기 위한 모델 일관성·강건성 검증 전략을 조사했다.
arXiv astro-ph.IM (관측기기)
차세대 감마선 우주관측 검출기 개발과 관련해, AMEGO-X 제안 개념의 트래커 내 쌍생성 사건에서 입자 궤적을 식별·재구성하는 데 그래프 신경망(GNN)을 적용한 연구가 발표됐다. 연구진은 Geant4 기반 MEGAlib 프레임워크와 파이썬 기반 전용 판독·데이터 처리기로 만든 모의 데이터셋으로 GraphSAGE와 Interaction Network 두 구조를 학습시키고, 점확산함수(PSF) 68% 포함 반경과 유효 면적 측면에서 기존 표준 재구성 기법과 성능을 비교했다. 다중 쿨롱 산란으로 궤적 재구성이 크게 저하되는 100MeV 이하 저에너지 영역, 이른바 'MeV 간극'에서 각분해능과 검출 효율을 높이는 것이 목표다. 결과는 100MeV 이하 쌍생성 사건 재구성에서 GNN 기반 방식이 표준 기법 대비 유망하며 추가 최적화 여지도 크다는 점을 시사한다.
arXiv astro-ph.IM (관측기기)
연구진은 기존 CAMELS 프레임워크를 GADGET 유체역학 코드와 오사카(Osaka) 피드백 모델로 확장한 우주론 유체역학 시뮬레이션 모음 CAMELS-CROCODILE을 공개했다. 25Mpc/h와 50Mpc/h 박스로 구성되며, 기준 오사카 모델 주변에서 26개의 우주론·천체물리 매개변수를 변화시킨 세트를 포함한다. IllustrisTNG와 비교하면 기준 모델은 물질 파워스펙트럼을 수 퍼센트만 억제해 z=0에서 최대 약 27%를 억제하는 IllustrisTNG와 차이를 보였고, 10^12.2 태양질량/h 이하에서는 비슷한 효율로 별을 형성하지만 그룹 규모 헤일로에서는 최대 2.5배 더 효율적이었다. 연구진이 IllustrisTNG 은하 카탈로그로 학습시킨 그래프 신경망을 가중치를 고정한 채 적용하자 Ω_m과 σ_8을 복원하지 못하고 과신된 사후분포를 내놓았으며, 이는 물리적으로 다른 은하 형성 모델 전반에 걸쳐 머신러닝 추론을 학습·검증할 필요성을 보여준다고 밝혔다.
arXiv astro-ph.GA (은하)
외계행성 대기의 비평형 화학 계산은 대기 역산(retrieval) 과정에서 큰 계산 병목으로 남아 있는데, 연구진은 화학종을 노드로, 온도 의존 반응률을 엣지로 표현한 그래프 신경망(GNN) 대리모델을 제안했다. Venot+2020 화학 스킴과 Guillot 온도-압력 프로파일로 생성한 대기 데이터로 학습한 이 모델은 기존 U-Net 모델 대비 평균 존재비 오차를 약 3배 줄였다. 투과 스펙트럼에 적용했을 때 대부분의 예측이 제임스웹 우주망원경(JWST)과 아리엘(Ariel) 미션의 예상 관측 정밀도 안에 들어왔고, 평균 스펙트럼 오차가 20ppm을 넘은 경우는 시험 대기의 약 7%였다. 성능 저하는 주로 탄소-산소 비가 1에 가까운 화학적 전이 영역과 저온 조건에서 나타났으며, 경계 사례인 WASP-39b 평가에서는 중간 정도의 도메인 변화에서도 효과적으로 작동했다.
arXiv astro-ph.EP (행성계)
연구진은 암흑물질 헤일로 병합나무 정보와 준해석모형(SAM) 매개변수를 결합해 우주 시간에 따른 은하 특성을 예측하는 조건부 그래프 신경망(GNN) 대리모델을 개발했다. Uchuu 시뮬레이션의 병합나무와 Galacticus SAM을 사용해 적색편이 0 ≤ z ≤ 5 구간에서 항성질량, 광도, 각운동량, 기체 금속질량, 비활동 별형성률을 예측했으며, 0 ≤ z ≤ 3 구간의 항성질량 예측은 산포 0.19~0.28 dex, 결정계수 R² 0.946~0.973을 기록했다. 연구진은 이 카탈로그 수준 모델이 여러 SAM 실현과 병합나무, 적색편이에 걸쳐 은하 특성을 재현할 수 있어 SAM 기반 연구의 매개변수 공간 탐색을 가속할 수 있다고 밝혔다. 추론 코드와 학습된 모델, 예시 데이터는 GitHub에 공개돼 있다.
arXiv astro-ph.GA (은하)
연구진은 파형 템플릿을 가정하지 않고 백색화된 검출기 데이터의 웨이블릿 계수에서 초과 에너지를 찾는 비모형 파이프라인 '웨이블릿 검출 필터(Wavelet Detection Filter, WDF)'를 저지연 검출·재구성 파이프라인으로 발전시켰다. 고정 지연으로 신호 형태를 보존하는 영위상 스트리밍 자기회귀 백색화 필터를 사용하고, 검출기 간 후보 동시발생을 트리거 그래프로 표현해 지도·비지도 그래프 신경망(GNN)으로 순위를 매기며, 시간 이동 데이터로 유의도를 추정한다. 어드밴스드 라이고(Advanced LIGO) 감도 곡선을 따른 유색 가우시안 잡음과 밀집 쌍성·중심핵 붕괴 초신성 신호를 주입한 실제 O4 스트레인 데이터로 검증했으며, GW250114에 적용했을 때 파형 템플릿 없이도 해당 이벤트를 분석 구간에서 가장 큰 제로 래그 후보로 식별했다. 연산 비용과 지연 시간 모두 저지연 탐색에 부합해 실시간 스트림 처리가 가능하다고 밝혔다.
arXiv astro-ph.IM (관측기기)
남중국해에 설치가 제안된 심해 중성미자 망원경 NEON(Neutrino Observatory in the Nanhai)의 샤워형 사건 재구성 프레임워크가 처음으로 제시됐다. 물리 기반 최대우도추정(MLE) 기법은 1 TeV~1 PeV 구간에서 중앙값 각분해능 4.19도와 25~37%의 에너지 분해능을 보였고, 두 단계 그래프 신경망(GNN)은 저·중간 에너지 영역에서 성능을 개선해 30 TeV에서 각분해능 1.8도, 40~300 TeV에서 약 20%의 에너지 분해능을 달성했다. 연구진은 이 재구성 성능을 바탕으로 NEON의 유효 면적과 점광원 발견 가능성을 평가했으며, 차세대 심해 중성미자 망원경을 위한 방법론적 기준을 제공한다고 밝혔다.
arXiv astro-ph.IM (관측기기)