14건의 기사
중력파로 핵물질 상태방정식(EOS)을 구분하려는 연구가 arXiv에 공개됐다. 연구진은 붕괴형(중심핵 붕괴) 초신성에서 나오는 중력파 신호를 신호 분해·특징 추출·특징 선택을 결합한 엔트로피 기반 머신러닝 기법으로 분류하고, 선별된 소수의 특징만으로 여러 분류기의 성능과 검출기 잡음에 대한 견고성을 평가했다. 그 결과 엔트로피 기반 표현이 파형 종류 간 차이를 포착해 정확한 분류를 가능하게 했으며, 잡음이 있는 조건에서는 원시 데이터보다 더 나은 성능을 유지했다고 밝혔다.
arXiv astro-ph.HE (고에너지)
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)
arXiv에 공개된 리뷰 논문(arXiv:2610.34687v1)은 태양 내부와 대기를 강하게 결합된 다중 스케일 동역학계로 보고, 열역학·운동학·자기적 특성으로 규정되는 전역 상태벡터(S)로 형식화한다. 태양 관측은 숨겨진 상태를 부분적으로만 포착하는 투영된 다중 모드 측정이므로 순수 물리 기반 연역에는 근본적 한계가 있다고 지적한다. 저자들은 태양물리학에서 머신러닝의 역할을 추론(Inference), 에뮬레이션(Emulation), 전파(Propagation), 제어(Control)라는 네 가지 수학적 연산자 체계로 정리하고, 이 상태공간 분류 체계로 기존 연구들을 통합해 관측 공백을 메우고 비선형 과정 시뮬레이션을 가속하는 경로를 제시한다.
arXiv astro-ph.IM (관측기기)
연구진은 자연어처리 모델을 활용해 화학 문자열로 인코딩한 분자 구조와 TMC-1에서의 분자 기둥밀도를 연결하는 머신러닝 파이프라인을 구축했다. 이 신경망 모델은 기존 분자 목록과 분포 외(out-of-distribution) 분자에 대한 기둥밀도 회귀에서 평균제곱오차 0.17/0.58, 평균절대오차 0.29/0.59, 결정계수 0.88/0.51(훈련+검증/검증 데이터셋)을 기록했다. 모델이 학습한 잠재 벡터는 화학적 관계뿐 아니라 해당 분자의 성간 탐지 가능성까지 포착하며, TMC-1 목록을 체계적으로 치환해 만든 분자들에서 향후 탐지가 유망한 후보 몇 가지와 다수의 무극성 분자를 식별했다. 또한 분자 탐지의 서로 다른 역사적 시기를 반영한 데이터셋으로 모델을 학습시킨 결과, 최근의 분자 탐지들이 성간 화학에 대한 이해를 점진적이 아니라 변혁적으로 재편해 왔음을 보였다.
arXiv astro-ph.GA (은하)
전 세계 중력파 검출기 네트워크는 현재까지 350건이 넘는 쌍성 병합 사건을 검출했으며, 아인슈타인 망원경(Einstein Telescope) 같은 3세대 검출기는 이심 궤도나 높은 질량비 쌍성 등 더 복잡한 특성의 신호를 훨씬 많이 검출할 것으로 예상된다. 연구진은 이런 신호의 매개변수 추정에 드는 막대한 계산 비용을 줄이기 위해, 4개 매개변수 SEOBNRv4 파형을 생성하는 2단계 결정론적 조건부 오토인코더 모델을 제안했다. 1단계에서 파형의 진폭·위상 시계열을 생성하고 2단계에서 예측 잔차를 보정하는 방식으로, 목표 편광 파형과의 중앙값 불일치도(mismatch) 약 $10^{-2}$, 보정된 진폭·위상 시계열에서는 $10^{-6}$ 수준의 코사인 거리 오차를 달성했다. 다만 머신러닝 파형으로 EOB 기반 목표 매개변수를 복원할 때 사후분포에 계통 편향이 나타났는데, 연구진은 이 편향을 추정·보정한 뒤 사후 표본의 중요도 재가중(importance reweighting)을 적용하면 낮은 신호대잡음비(SNR) 구간에서 정확도가 낮은 대리 파형도 활용할 수 있다고 밝혔다.
arXiv astro-ph.IM (관측기기)
허블 우주망원경(HST) ACS/SBC의 23년치 데이터 분석에서 관측 간 배경광 수준이 크게 달라지며, 대부분의 필터에서 한 자릿수 이상(an order of magnitude 이상)의 변동이 나타났다. 연구진은 8,000건이 넘는 SBC 아카이브 관측 자료를 이용해 23개 관측 파라미터를 기반으로 배경광을 정확히 예측하는 머신러닝 모델을 개발했다. 모델 결과에 따르면 SBC 배경광은 필터에 따라 태양 고도, 태양 이각, 지구 림 각도, SBC 온도, 표적의 은하 위도에 주로 지배되는 것으로 나타났다.
arXiv astro-ph.IM (관측기기)
루빈 천문대(Rubin Observatory) 데이터 프리뷰 1·2의 ugrizy 측광 자료를 이용해 점광원과 확장천체를 분광 관측 없이 이진 분류하는 다중 머신러닝 연구가 제시됐다. SVM, 랜덤포레스트, XGBoost, k-최근접이웃, 인공신경망, 소프트 투표 앙상블 등 6개 기법을 DP1에서 가장 깊은 ECDFS 영역에서 비교한 결과 10겹 교차검증 macro-F1은 0.95~0.97, 미사용 데이터 테스트에서는 0.87~0.92를 기록했으며 랜덤포레스트와 투표 앙상블이 0.918로 공동 1위였다. 순열 중요도 분석에서는 FWHM이 가장 지배적인 특징으로 나타났고, 6개 기법은 전체 카탈로그의 79.5%에서 일치했다. 동일 파이프라인을 재조정 없이 DP1의 다른 두 영역과 DP2의 네 영역(ECDFS, COSMOS, EDFS, ELAIS-S1)에 적용했을 때 DP2에서는 최고 macro-F1이 0.83~0.88 수준이었다. 밴드별 측광 불확실도를 특징으로 추가하면 최고 macro-F1이 ECDFS DP1에서 약 0.95, ECDFS DP2에서 약 0.97까지 올라갔다.
arXiv astro-ph.IM (관측기기)
인류 최대 규모의 테크노시그니처(외계 기술 문명의 증거) 탐색 프로젝트인 브레이크스루 리슨(Breakthrough Listen)이 전 하늘·전 전자기 스펙트럼에 걸쳐 이미지, 스펙트럼, 시계열, 카탈로그, 경보 데이터를 수집하며 탐색을 진행하고 있다. 연구진은 고전적 기법이 여전히 큰 역할을 하지만, 최근 인공지능 역량의 급성장으로 거대한 데이터셋에 더 강력한 알고리즘을 적용할 수 있게 됐다고 설명한다. 새로운 전략은 테크노시그니처 전용 서베이를 넘어 아카이브와 범용 실시간 데이터 스트림까지 폭넓게 분석하는 것을 가능하게 한다. 논문은 전 세계 전파망원경과 새로 운영을 시작한 베라 루빈 천문대(Vera C. Rubin Observatory)를 활용해 AI와 머신러닝으로 탐색 규모를 키우는 방식을 정리하며, 검출 가능성이 그 어느 때보다 높아졌다고 평가한다.
arXiv astro-ph.IM (관측기기)
LIGO-Virgo-KAGRA 협력단의 중력파 일시적 신호(transient) 탐색은 통상 여러 탐지 알고리즘을 병행하는데, 연구진은 이들을 결합해 잡음과 신호의 구분 능력을 극대화하는 방법을 제시했다. 참여 파이프라인 전체의 정보(또는 정보 부재)를 활용하는 신경망 기반 분류기를 구성해, 밀집 쌍성 병합(compact binary coalescence) 탐색에 적용하고 시뮬레이션된 천체물리 신호와 실제 검출기 잡음으로 성능을 ROC 곡선으로 평가했다. 그 결과 단일 파이프라인이나 다른 논리적 조합보다 우수한, 사실상 새로운 통합 파이프라인이 만들어진다고 보고했다. 연구진은 이 방식이 실시간 운용에서 천체물리 신호 식별의 견고성을 높이고 잘못된 경보(false alert) 발송을 줄여, 다중 메신저 천문학계의 후속 관측 자원 최적화에도 기여할 것으로 기대했다.
arXiv astro-ph.IM (관측기기)
페르미-LAT(Fermi-LAT)가 검출한 블레이자 중 약 절반은 분광 적색편이 측정값이 없어 집단 연구와 우주론적 진화 연구가 제한돼 왔다. 연구진은 1/(1+z) 공간에서 35개의 머신러닝 회귀 모델을 앙상블로 구성해 각 천체의 비모수적 적색편이 확률밀도함수(PDF)를 만들고 예측 불확실성을 명시적으로 정량화했다. 그 결과 적색편이가 측정되지 않은 블레이자 1,590개에 대한 예측 적색편이 분포 카탈로그를 구축했으며, 개별 PDF를 합산한 분포는 천체 분류 라벨을 쓰지 않고도 블레이자 특유의 이중 봉우리 구조를 재현했다. 다양한 모델이 비슷한 예측 성능을 보인 점은 입력 특징에서 비롯된 성능 한계(plateau)를 시사한다고 연구진은 밝혔다.
arXiv astro-ph.HE (고에너지)
연구진은 천문 관측기기의 다차원 설계 변수 공간을 탐색·최적화하는 방법을 개발하고, 이를 FOSSIL 미션 개념을 이용한 우주배경복사(CMB) 스펙트럼 왜곡 측정에 적용했다. 하늘 모델과 실제 기기 모델을 결합해 피셔(Fisher) 예측으로 측정 성능을 평가한 뒤, 랜덤 포레스트와 그래디언트 부스팅 등 결정트리 기반 회귀 모델로 기기 변수와 신호대잡음비 사이의 비선형 관계를 학습시켰다. SHAP 값으로 해석한 결과 가장 온도가 높은 기기 부품의 온도가 세 관측량 모두에서 지배적인 변수로 나타나 내부 복사 억제와 극저온 운용의 중요성이 확인됐으며, 주파수 대역 범위도 큰 영향을 미쳐 스펙트럼 커버리지와 기기 감도 사이의 상충 관계가 드러났다. 연구진은 이 연구가 천문 관측기기의 전역 최적화에 머신러닝을 적용한 첫 사례로 알려져 있으며 다른 기기·미션 개념으로도 확장 가능하다고 밝혔다.
arXiv astro-ph.IM (관측기기)
지상 검증값(ground truth)을 얻기 어려운 우주 임무에서 블랙박스 머신러닝 모델의 신뢰성을 확보하기 위해, 기존 추정기를 수정하지 않고 병렬 감시 계층으로 작동하는 모듈형 '안전 케이지(safety cage)' 구조를 평가한 연구가 arXiv에 공개됐다. 이 프레임워크는 불확실성 정량화, 도메인 외(out-of-domain) 탐지, 영향 함수 등 런타임 지표를 감시해 모델의 작동 영역을 검증된 범위로 제한한다. 연구진은 2019년과 2021년 아리엘 데이터 챌린지(Ariel Data Challenge) 데이터셋을 사용해 도메인 내·교차 도메인 조건에서 평가했으며, 단일 지표로는 모든 실패 유형을 포착할 수 없어 지표 융합이 필요하다는 결과를 얻었다. 안전 기반 거부 전략을 적용하자 데이터 커버리지를 20% 줄이는 것만으로 도메인과 평가 지표에 따라 오차가 45~65% 감소했다.
arXiv astro-ph.EP (행성계)
스퀘어 킬로미터 어레이(SKA)와 베라 루빈 천문대(Vera C. Rubin Observatory) 등 차세대 망원경은 기존 분석 기법으로는 감당하기 어려운 방대한 데이터를 생산할 전망이다. 논문은 머신러닝이 대용량 데이터 처리와 자동화에 유용하지만, 과학적 발견의 자동화는 능동학습(active learning)을 통한 전문가의 개입과 결합될 때 비로소 가능해진다고 설명한다. 공개 프레임워크 'Astronomaly'는 천문학 분야의 능동적 이상(anomaly) 탐지 도구로, 사용자에게 흥미로운 천체를 추천해 대규모 데이터셋에서 희귀하거나 새로운 종류의 천체를 빠르게 찾아내도록 돕는다. 저자들은 Astronomaly로 이룬 발견 사례를 정리하고, 최신 딥러닝 기반 접근법과 사이버-휴먼 인터페이스의 역할을 논의한다.
arXiv astro-ph.GA (은하)
SNAD 팀은 광역 탐사 시대의 대규모 천문 데이터에서 머신러닝으로 새롭거나 희귀한 천체·현상을 찾는 파이프라인을 소개했다. 전문가가 개입하는(expert in loop) 능동학습 알고리즘 두 종을 구현한 파이썬 라이브러리 Coniferest, 특정 유형의 일시적 천체를 탐색하는 SNAD Transient Miner, 그리고 ZTF(Zwicky Transient Facility) 데이터 공개본의 개별 천체를 한곳에서 볼 수 있는 웹 포털 SNAD Viewer가 핵심 성과다. 이 접근법을 ZTF 데이터에 적용해 100개가 넘는 새로운 초신성(SN) 후보와 함께 적색왜성 플레어, 초광도 초신성, RS CVn형 변광성, 젊은 항성체 등 미분류 천체 일부를 찾아냈다.
arXiv astro-ph.HE (고에너지)