우주

#PINN

4건의 기사

This all-sky image shows the spatial distribution over the whole sky of the galactic haze at 30 and 44 GHz, extracted from the Planck observations.
천문·천체물리

물리 정보 신경망(PINN) vs U-Net: 마이크로파 영역 열적 먼지 복원 비교

은하 열적 먼지 방출은 100GHz 이상에서 우주마이크로파배경(CMB)의 주된 전경 오염원으로, 연구진은 수정 흑체(MBB) 스펙트럼 모델을 미분 가능한 구조적 제약으로 직접 내장한 물리 정보 신경망(PINN)을 제시하고 동일한 파이프라인으로 학습한 표준 U-Net과 비교했다. 두 모델은 143·217·353·545GHz 네 주파수의 플랑크(Planck) HFI 모의 패치로 학습했고, 공통 검증셋과 PySM 먼지 모델 D4·D7·D10의 독립적인 은하 먼지 구현 3종에서 평가했다. 평가 전반에서 두 신경망은 구조적 유사도 지수(SSIM) 0.96 이상, 각 파워스펙트럼 스펙트럼 지수는 모든 영역에서 입력값과 1% 이내로 일치하는 비슷한 복원 품질을 보였다. 물리 제약을 넣은 PINN은 제약이 없는 U-Net 대비 복원 정확도 저하 없이 모든 예측 결과가 열역학적으로 허용되는 물리 구성에 대응함을 보장했다.

arXiv astro-ph.IM (관측기기)

천문·천체물리

물리정보 신경망(PINN)으로 다차원 난류 자체중력 흐름 모델링

분자운은 난류, 자체중력, 기체 압력이 상호작용하는 복잡한 다중 규모 역학을 보이지만, 기존 격자 기반 방법은 공간 해상도와 차원이 커질수록 계산 비용이 급증한다. 연구진은 지배 방정식을 학습 목표에 직접 포함시키는 격자 없는(mesh-free) 기법인 물리정보 신경망(PINN)을 천체물리학적으로 타당한 난류 속도장으로 초기화한 등온 분자운에 적용해, 2차원과 3차원에서 아음속·초음속 진화를 다루고 유한체적 코드 Athena++와 밀도·속도장을 비교 검증했다. PINN은 여러 난류 실현값, 마하수, 차원에 걸쳐 다수의 자유낙하 시간 동안 흐름의 전역적 진화를 정확히 재현했으며, 학습 비용은 공간 해상도 의존성이 약해 128^3에서 1024^3으로 늘어날 때 증가폭이 25% 미만이었다. 연구진은 이 결과가 PINN이 기존에 탐색된 것보다 훨씬 현실적인 자체중력 난류 흐름을 모델링할 수 있음을 보여주며, 이러한 계를 연구하는 보완적 프레임워크가 될 수 있다고 밝혔다.

arXiv astro-ph.GA (은하)

This composite image of seven pictures shows the progression of a partial solar eclipse near from Ross Lake, Northern Cascades National Park, Washington on Monday, Aug. 21, 2017. The second to the las
천문·천체물리

물리정보 신경망(PINN)으로 태양 채층 스펙트럼 다층 반전 12~60배 가속

연구진은 H-알파 6562.8 Å와 Ca II 8542.1 Å 흡수선의 다층 스펙트럼 반전(MLSI)을 가속하기 위해, 미분 가능한 MLSI 순방향 모델을 결합한 물리정보 신경망(PINN) 기법을 제안했다. 이 방식은 스펙트럼 재구성 손실로 먼저 학습한 뒤 기준 영상 한 장의 기존 MLSI 결과로 미세조정하는 2단계 방식을 써서, 대규모 사전 계산 학습 데이터 없이도 물리적 해석 가능성을 유지한다. 구드 태양망원경(GST)의 고속 영상 태양분광기(FISS) 관측 자료에 적용한 결과, 전체 매개변수의 화소별 피어슨 상관계수 평균이 0.933으로 기존 직접 반전의 주요 공간 구조를 재현했다. 학습 이후에는 래스터 1장 처리에 약 5~15초가 걸려 기존 MLSI의 3~5분 대비 약 12~60배 빨랐으며, 재구성 품질 저하는 크지 않았다.

arXiv astro-ph.IM (관측기기)

KENNEDY SPACE CENTER, FLA. - In the clean room at NASA’s Hangar AE on Cape Canaveral Air Force Station (CCAFS), a Spectrolab technician, Anna Herrera, points to an area on the Swift spacecraft’s sol
천문·천체물리

감마선 폭발 X선 광도곡선의 결측 구간, 물리정보 신경망(PINN)으로 복원한다

스위프트-XRT(Swift-XRT)가 관측한 감마선 폭발(GRB) X선 잔광 광도곡선에는 시간적 결측 구간이 있어 W07 플래토 파라미터(플래토 종료 시각 T_a, 플래토 플럭스 F_a, 감쇠 지수 α) 측정 정밀도를 떨어뜨린다. 연구진은 545개 스위프트-XRT GRB를 대상으로 물리정보 신경망(PINN), ReFANN, 샴 이중분기 신경망, 다항 분위 회귀(PQR) 네 가지 모델을 벤치마크했으며, 네 방법 모두 원래 관측값 대비 불확실성을 줄였다. PINN의 꺾인 거듭제곱 법칙 사전분포가 약 41~49%로 가장 큰 감소폭을 보였으나 이상치 비율이 약 15~20%로 높았고, 나머지 세 방법은 약 19~27% 감소에 이상치 비율 4% 이하로 더 넓은 형태 범위에서 일관된 성능을 보였다.

arXiv astro-ph.HE (고에너지)