4건의 기사
로봇 망원경 네트워크의 타깃 획득(acquisition) 오차를 운영 데이터로 예측·보정하는 머신러닝 파이프라인이 arXiv에 공개됐다. 연구진은 라스쿰브레스 천문대(Las Cumbres Observatory, LCO) 네트워크의 아카이브 운영 로그를 활용해 전통적 머신러닝과 딥러닝 회귀 모델을 적용, 관측 조건·망원경 설정·관측기기 상태와 획득 오차 사이의 관계를 학습시켰다. 이 방식은 기존의 정적 지향 모델(pointing model)을 보완하고 관측소 인력의 반복적인 수동 보정 필요를 줄이도록 설계됐다. 연구진은 학습된 모델을 브라우저 기반 그래픽 인터페이스로 제공하는 오픈소스 도커(Docker) 기반 소프트웨어 서비스도 함께 공개했다.
arXiv astro-ph.IM (관측기기)
연구진은 일반상대성이론(GR)을 벗어난(beyond-GR) 중력파 신호 변형을 머신러닝으로 탐지할 수 있는지 아LIGO PSD 합성 잡음과 실제 LIGO H1 검출기 데이터로 검증했다. 진폭·위상·주파수 변조 세 가지 변형 유형에 무차원 강도 계수 β를 적용하고, 1차원 합성곱 신경망과 10개의 수작업 파형 통계를 결합한 하이브리드 분류기를 훈련시킨 뒤 훈련에서 제외한 변형 유형으로 시험했다. GW150914의 실제 신호를 템플릿으로 삼고 실제 H1 잡음을 사용한 결과 탐지 임계값은 β ≈ 0.25로 나타났으며, 정확도는 β ≤ 0.2에서 무작위 수준이다가 β ≥ 0.5에서 완벽한 분류에 도달했다. 다만 연구진은 이 임계값이 여기서 채택한 시간의 2차 함수 형태 변조에 한정된 값이며 beyond-GR 변수에 대한 일반적 제약으로 해석해서는 안 된다고 밝혔다. 작은 β에서의 부정적 결과는 정합필터 신호 추출 없이 머신러닝만으로 수행하는 beyond-GR 탐색의 정량적 한계를 보여준다는 것이 연구진의 주장이다.
arXiv astro-ph.IM (관측기기)
연구진은 금속함량 추정 없이 RRab·RRc형 RR Lyrae 변광성의 광도곡선에서 절대등급을 직접 예측하는 딥러닝 모델을 제시했다. 개별 별 기준 검증 정밀도는 RRab 0.053등급, RRc 0.036등급(거리로는 각각 약 2.5%, 1.7%)이며, 구상성단 시험에서는 RRab 1.0%, RRc 1.7%의 거리 정밀도를 얻었다. 두 모델을 결합해 구한 거리지수는 대마젤란운이 18.498 ± 0.001(통계) ± 0.018(계통) 등급, 조각가자리 왜소타원은하가 19.564 ± 0.003(통계) ± 0.019(계통) 등급으로 기존 결과와 잘 일치했다. 연구진은 이 결과가 약 1%의 거리 정밀도로, 기존 RR Lyrae 보정 관계 대비 1.8배 개선된 것이라고 밝혔다.
arXiv astro-ph.GA (은하)
연구진이 합성곱 신경망(CNN)인 ResNet50과 표준 트랜스포머 구조를 결합한 'ResNet-Transformer' 모델을 제안했다. 이 모델은 태양 이미지에서 얻은 공간 데이터와 시계열 데이터를 함께 처리해 24시간·36시간·72시간 구간의 태양 플레어 발생 여부와 등급(C·M·X), 발생 확률을 예측하며, 연구진은 이미지 기반 다중등급 태양 플레어 예측 분야에서 이런 하이브리드 딥러닝 모델은 처음이라고 밝혔다. 가중 정밀도·재현율·F1 점수, 균형 정확도, 매튜스 상관계수(MCC), 코헨 카파, ROC-AUC 등으로 평가한 결과 모든 지표에서 서포트 벡터 머신(SVM)과 단독 CNN 모델 등 기존 기계학습 기법을 앞섰다.
arXiv astro-ph.IM (관측기기)