8건의 기사
연구진은 KiDS(Kilo-Degree Survey)와 VIKING(VISTA Kilo-Degree Infrared Galaxy) 두 탐사에서 얻은 광학~근적외선 영역 은하 데이터셋에 하이브리드 양자신경망(HQNN)을 적용해 측광 적색편이를 복원했다. HQNN은 기준 측광 적색편이를 높은 통계적 충실도로 재현했으며, R²와 MSE 모두 고전 신경망보다 일관되게 더 나은 값을 보였다(다만 오차 범위 내에서는 서로 일치). 연구진은 이 결과가 해당 천체물리 응용 분야에서 양자 기반 기법을 추가로 연구할 가치가 있음을 보여준다고 밝혔다.
arXiv astro-ph.GA (은하)
분광 관측 없이 광대역 측광 데이터만으로 은하를 분류하는 오픈소스 파이썬 패키지 SpecLess가 arXiv에 공개됐다. SDSS+AllWISE, KiDS+VIKING, DESI Legacy Imaging Surveys 측광 자료로 학습한 XGBoost 분류기는 형태 분류(타원·나선)에서 macro F1 0.9332(SDSS, 35,554개 은하)와 0.9237(KiDS, 3,269개), 활동성 분류(starforming·starburst·Seyfert·LINER)에서 0.7637(SDSS, 16,931개)과 0.7398(DESI, 11,975개)을 기록했다. 다만 서베이 간 전이에서는 성능 저하가 나타나 형태 분류의 macro F1 하락폭이 SDSS→KiDS 0.0153, KiDS→SDSS 0.0354였고, 활동성 분류는 SDSS→DESI 0.0660, DESI→SDSS 0.0406이었다. SpecLess v0.3.0은 사전학습된 서베이별 분류기 4종을 통합 파이썬 인터페이스로 배포한다.
arXiv astro-ph.GA (은하)
연구진은 중심 은하의 전경 빛에 가려진 중력렌즈를 찾기 위해 U-Net으로 전경 은하빛을 분리해 잔차 영상을 만들고, ResNet으로 렌즈 신호를 이진 분류하는 복합 신경망 기법을 제안했다. 실제 관측 데이터 검증에서 신뢰도 임계값 0.6 기준으로 재현율 71.5%, 위양성률 4.5%를 기록했다. 이 방법을 킬로디그리 서베이(KiDS) 데이터 릴리스 4의 은하 표본 638,398개 이상에 적용해 A등급 88개, B등급 322개, C등급 1,758개 후보를 식별했다.
arXiv astro-ph.GA (은하)
연구진이 대규모 서베이 원본 이미지에서 강한 중력렌즈를 직접 탐지·위치 파악하는 객체 검출 모델 LenNet을 제안했다. 기존 방식은 수십억 개에 달하는 후보 은하 주변을 잘라낸 뒤 개별 분류하는 '크롭 후 분류(crop-and-classify)' 전략에 의존해 계산·저장 병목이 발생하는데, LenNet은 크롭 단계를 건너뛰어 이를 해소한다. 연구진은 시뮬레이션 데이터로 LenNet을 먼저 학습시킨 뒤, 전이학습으로 KiDS(Kilo-Degree Survey)의 제한된 실제 라벨 데이터에 맞춰 미세조정했다. 실험 결과 LenNet은 실제 서베이 데이터에서 우수한 성능을 보였으며, 대규모 천문 서베이의 렌즈 탐색에 효율적이고 확장 가능한 해법이 될 가능성을 확인했다고 밝혔다.
arXiv astro-ph.GA (은하)
연구진은 라벨이 없는 킬로디그리 서베이(KiDS) 은하 이미지 305,583장을 대조학습으로 학습시킨 뒤, 사람이 분류한 5,000장만으로 분류기를 훈련하는 라벨 효율적 자기지도학습 프레임워크를 제안했다. 이 분류기는 은하를 타원, 나선, 렌즈형 원반, 불규칙, '기타' 등 다섯 가지로 나누며, 64x64 픽셀 크롭을 적용한 ResNet-50 모델로 최대 91.0%(평균 90.5% ± 0.2%)의 테스트 정확도를 기록했다. 각 유형의 F1 점수는 타원 0.96, 나선 0.86, 불규칙 0.86, 렌즈형 원반 0.95, '기타' 0.92였다. 연구진은 이 파이프라인을 KiDS 데이터 릴리스 5(DR5)에 적용해 은하 310,583개의 형태 분류 목록을 공개했으며, 이는 KiDS 은하에 대한 최초의 형태 목록이라고 밝혔다.
arXiv astro-ph.GA (은하)
연구진이 PyTorch 텐서 기반의 GPU 가속 시뮬레이션 프레임워크를 제시해 고정밀 은하-은하 강한 중력렌즈 이미지를 생성했다. 합성 분광에너지분포(SED)를 결합해 렌즈·광원 은하의 적색편이 의존적 측광 특성을 모델링하고, 점확산함수(PSF)·한계등급·영점 등 관측 변수를 반영해 특정 서베이 조건을 재현함으로써 서베이 간 결합 분석을 가능하게 했다. 응용 사례로 동일한 렌즈 모델 변수를 써서 KiDS, LSST, 유클리드(Euclid)의 다중 대역 이미지를 시뮬레이션하고 딥러닝 신경망으로 이미지 디블렌딩 성능을 평가했다. PyTorch 기반이라 완전 자동미분과 GPU 가속이 가능해 경사 기반 최적화가 필요한 알고리즘에 활용할 수 있으며, 기존 CPU 파이프라인 대비 약 $\mathcal{O}(10^3)$의 속도 향상을 달성했다고 밝혔다.
arXiv astro-ph.GA (은하)
측광 은하 군집(photometric galaxy clustering) 분석은 은하 적색편이 분포 n(z)가 등방적이라고 가정하지만, 관측 계통 효과로 공간적 변화가 생길 수 있다. 연구진은 공간적으로 변하는 n(z)에 대한 해석적 형식론을 세우고 관측 계통·은하 선택·단층 구간화를 전방 모델링한 결과, 단일 전역 n(z)로 w(θ)를 모델링하면 최고 적색편이 구간의 소규모 스케일에서 군집 신호를 최대 약 10% 과소평가하는 것으로 나타났다. 2×2pt 분석에서 KiDS·DES 유형 설정은 우주론 매개변수 변화가 1σ 미만이었으나, LSST 유형 설정에서는 σ8이 1.7σ 낮게, Ωm이 1.4σ 높게 치우쳤고 고적색편이 은하 편향은 최대 약 4σ까지 이동했다. 또한 보정된 사후예측 내부일관성 검정에서 오염된 각 군집 신호는 우주전단 및 은하-은하 렌즈 제약과 결합하기 어려운 것으로 판정됐다(LSST 유형 잡음 하 보정 p값 중앙값 약 8×10⁻⁴). 연구진은 향후 측광 군집 분석에서 이 비등방성이 유의한 계통 오차가 될 수 있으며, 제시한 전방 모델로 완화할 수 있다고 밝혔다.
arXiv astro-ph.GA (은하)
연구진은 인간이 개입하는 능동학습(active learning) 프레임워크 Astronomaly:PROTEGE를 강한 중력렌즈(SGL) 탐색에 처음 적용해, 시뮬레이션 학습 데이터 없이도 대규모 이미징 서베이에서 렌즈를 찾아낼 수 있음을 보였다. 킬로디그리 서베이(KiDS) DR4의 밝은 은하 370만 개를 대상으로, ImageNet으로 사전학습한 합성곱 신경망 특징을 BYOL(Bootstrap Your Own Latent) 자기지도 방식으로 KiDS 데이터에 미세조정한 뒤, 능동학습 루프가 선별한 3,000개 천체를 전문가가 검토해 A/B 등급 후보 34개를 얻었다. 최근접 이웃 유사도 분석으로 표본을 확장한 결과 A/B 등급 후보는 총 140개, C 등급의 낮은 신뢰도 후보는 1,000개 이상 확인됐으며, A/B 후보 가운데 81개가 새로 발견된 천체이고 기존에 알려진 KiDS A/B 등급 렌즈의 약 22%가 재검출됐다. 연구진은 고품질 후보의 약 60%가 신규 보고라는 점에서 이 방법이 시뮬레이션 의존도를 낮추며 유클리드(Euclid), 로먼(Roman), 루빈 천문대의 LSST 같은 차세대 서베이에 활용될 잠재력이 크다고 밝혔다.
arXiv astro-ph.GA (은하)