#PySM

2건의 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)2026년 10월 26일

천문·천체물리

트랜스포머 기반 다중 추적자 융합으로 편광 먼지 방출 초해상도 복원

차세대 우주배경복사(CMB) B-모드 실험의 성분 분리를 위해서는 고분해능 은하 먼지 편광 모델이 필요하지만, 기존 먼지 편광 템플릿은 약 1도 수준으로만 제한돼 있다. 연구진은 플랑크(Planck) 먼지 광학 깊이 τ_353, 중성수소(HI) 기반 스토크스 템플릿, 저해상도 플랑크 GNILC Q·U 지도를 결합한 트랜스포머 모델을 구성하고, 빔을 4배 평활화한 GNILC 편광 지도에서 원래 해상도를 복원하도록 학습시켜 디컨볼루션 문제로 풀었다. 이를 균일 해상도 GNILC 지도에 적용해 고위도(|b|>30도) 하늘에 대한 20' 분해능의 Q·U 예측 지도를 만들었다. 스칼라·텐서 민코프스키 함수와 산란 변환 통계로 분석한 결과, 이 지도는 최신 PySM 먼지 모델보다 더 결이 고르고 비등방적이며 필라멘트 구조가 뚜렷한 소규모 구조를 보였다.

arXiv astro-ph.GA (은하)2026년 10월 5일