7건의 기사
은하의 운동학 정보는 은하와 중심 블랙홀의 형성사를 담고 있으며, 특히 초대질량 블랙홀 쌍성을 품은 은하를 식별하는 데 도움이 되는 것으로 알려져 있다. 그러나 먼 은하가 점광원으로 보이는 공간 비분해 관측에서 운동학적 성질을 추론하는 것은 어려운 과제로, 복잡한 계인 은하에서는 공간 구조가 스펙트럼 선윤곽에 어떻게 반영되는지를 제1원리로 유도할 수 없다. 연구진은 공간 분해 스펙트럼으로 학습시킨 신경망을 이용해 공간 적분 스펙트럼에서 운동학적 성질을 추론하는 방법을 제시했으며, 공간 분해 없이 데이터로부터 운동학적 인코딩을 직접 학습하고 스펙트럼 분해능이 선을 겨우 분해하는 수준에서도 유효하다는 두 가지 이점이 있다고 설명했다. 이 방법은 현재와 미래의 탐사 자료에 포함된 수백만 개의 비분해 은하에 대해 운동학적 성질을 복원할 수 있게 해준다.
arXiv astro-ph.GA (은하)
연구팀은 Mephisto의 다중시기·다중밴드(u, v, g, r, i, z) 측광 자료로부터 유효온도(Teff), 표면중력(log g), 금속함량([Fe/H])을 동시에 추정하는 측광 기반 분석 틀을 제시했다. 이론적 항성 대기 모형에서 유도한 합성 색지수로 학습시킨 지도학습 신경망 전방 모형은 합성 색지수를 0.01%의 정밀도로 재현했으며, 이를 구상성단 3개에서 관측된 RRab형 6개와 RRc형 4개 별에 적용했다. 그 결과 위상별 불확실도는 유효온도 약 62K, 표면중력 0.10덱스, 금속함량 0.16덱스였고, 맥동 주기 전체에 걸친 반복 측정으로 최종 [Fe/H] 추정의 전형적 형식 불확실도는 약 0.03덱스까지 낮아졌다. 민감도 분석에서는 (u-v)가 log g를, (v-g)가 [Fe/H]를 제약하는 데 유용하고 다섯 개 색지수 모두가 Teff 정보를 제공하는 등 서로 보완적인 제약 조건을 주는 것으로 나타났다.
arXiv astro-ph.GA (은하)
대규모 시간영역 탐사로 접촉쌍성의 광도곡선과 시선속도 관측 자료가 대량 축적되고 있으나, 기존 물리 모델 기반 분석은 계산 비용이 커서 대규모 적용이 어렵다는 점이 지적됐다. 연구진은 완전연결 신경망과 SIREN(Sitzmann et al. 2020) 모델을 이용해 시선속도 곡선을 빠르고 정확하게 생성하는 방법을 제안하고, 이를 Li et al.(2025)의 광도곡선 계산 프레임워크와 결합해 시선속도와 광도곡선을 동시에 피팅할 수 있도록 했다. 신뢰도 평가를 위해 합성 관측 자료를 구성해 매개변수를 추정하고, 도출된 값과 참값의 편차를 정량적으로 분석했다.
arXiv astro-ph.IM (관측기기)
비국소열역학평형(non-LTE) 복사전달 모델에 필요한 상태별 충돌 속도계수는 양자산란 계산 비용이 커 큰 분자나 고여기 회전준위에는 적용이 어려운데, 연구진은 다층 퍼셉트론(MLP) 신경망으로 기존 데이터셋을 추가 산란 계산 없이 확장하는 방법을 검증했다. 모델은 분자 양자수, 준위 에너지, 에너지 간격, 운동 온도를 입력으로 학습했고 CO·SiO 같은 이원자 분자부터 개각 분자 SO, 비대칭 팽이형 분자 H2O·SO2, 벤조니트릴과 바이닐시아나이드 같은 복잡 유기분자가 H2 또는 He와 충돌하는 계들에 대해 시험됐다. 미학습 회전준위에 대한 예측은 대부분의 계에서 평균 오차 인자 1.1~1.5를 보였고, 지배적인 속도계수가 약한 전이보다 더 정확하게 재현됐다. 온도 방향 외삽이 특히 성공적이었으며, 온도와 회전준위를 함께 외삽한 경우에도 대부분 오차 2배 이내였다. 저자들은 예측 품질이 데이터셋 크기, 온도 범위, 분자 복잡도, 명확한 충돌 선택 규칙의 존재 여부에 달려 있다고 밝혔다.
arXiv astro-ph.GA (은하)
성간물류 분광 분석에 쓰이는 비국소열평형(non-LTE) 모델은 정확한 상태 간 충돌 속도계수를 필요로 하지만, 높은 회전 여기 상태의 밀착결합(close-coupling) 계산 비용이 지나치게 커 기존 데이터셋은 낮은 초기 상태와 온도에서 잘려 있다. 연구진은 para-H2와 충돌하는 선형 분자 24종의 상태 간 탈여기 속도계수로 순방향 신경망을 훈련시켜 두 가지 전략을 시험했다. 훈련셋에 포함된 분자의 범위를 확장하는 스킴 1은 90% 경계 조건에서 시험 전이의 99.4%를 2배 이내 오차로 예측했고 최대 편차도 4.7배를 넘지 않았으며, 이 모델로 18개 데이터셋을 보완했다. 22개 계로 훈련한 뒤 제외된 CS와 CF+를 예측한 스킴 2는 해당 전이의 92% 이상을 3배 이내 오차로 재현했다. 두 방식 모두 밀착결합 계산을 거의 즉시 보완할 수 있어, 스킴 1은 기존 분자의 적용 범위를 정밀하게 넓히고 스킴 2는 미연구 분자에 대한 1차 추정치를 제공한다.
arXiv astro-ph.GA (은하)
분광에너지분포(SED)의 밴드패스 적분을 머신러닝으로 빠르고 정확하게 계산하는 새로운 방법이 제안됐다. 적분 연산자의 비국소성이 목표 함수의 매끄러움을 보장해 신경망 근사에 적합하며, 연구진은 이 계산 방법을 파이썬 패키지 pyfine(FINE: Fast Function Interpolation via NEural NEtworks)으로 공개했다. 자유 매개변수가 각각 3개, 9개인 두 가지 밴드패스 적분 시험 사례에서 샘플링된 매개변수 공간 내 최대 상대 잔차는 각각 0.002%와 0.08%로 낮았고, 실행 시간은 짧고 메모리 부담도 매우 적었다. 단순 수정 흑체 SED를 사용한 첫 번째 사례에서도 신경망의 실행 시간은 최적화된 멀티스레드 방식의 '무차별 대입' 정확 적분 계산보다 두 자릿수(2 orders of magnitude) 빨랐다.
arXiv astro-ph.IM (관측기기)
단 하룻밤 관측으로 얻은 초단호(VSA) 자료만으로 근지구천체(NEO)의 초기 궤도를 결정하기 위해, 시각이 기록된 각 측정값 3개를 입력받아 지심 거리와 거리 변화율을 예측하는 두 가지 신경망 모델(순수 데이터 기반 다층 퍼셉트론과 물리 정보 손실함수를 추가한 모델)을 비교했다. NEODyS-2 카탈로그의 실제 NEO 39,031개에서 얻은 568,127개 VSA로 학습한 결과, 56,773개 호로 구성된 테스트셋에서 물리 정보 모델은 예측의 85.1%를 역학적으로 허용 가능한 영역 안에 두어 데이터 기반 모델의 76.5%를 앞섰고, 가우스법과 라플라스법은 각각 45.0%, 47.3%의 호에서만 해를 내놓았으며 그중 약 10건 중 9건은 퇴화근으로 수렴했다. 다만 고유운동과 실제 거리에 따른 층화 분석에서는 물리 정보 모델이 오차 꼬리가 길어지는 대신 허용 가능성과 운용상 가장 중요한 빠르고 가까운 호에서 우위를 얻는 트레이드오프를 보였다.
arXiv astro-ph.EP (행성계)