AstroCLIP 임베딩으로 X선 영상에서 은하단 중심 냉각시간 예측

광학 은하 이미지·스펙트럼으로 학습된 대조학습 기반 시각-언어 모델 AstroCLIP의 임베딩이, IllustrisTNG 시뮬레이션 은하단의 모의 찬드라(Chandra) X선 이미지에 적용해도 물리적으로 의미 있는 구조를 유지한다는 연구가 arXiv에 공개됐다. 연구진은 TNG300 711개, TNG-Cluster 993개 투영 이미지를 사용해 은하단 내부 물질(ICM)의 중심 냉각시간($t_{cool,0}$)을 X선 이미지에서 직접 예측하는 머신러닝 프레임워크를 제시했으며, 임베딩 공간에서는 헤일로 질량에 따른 분리는 없는 반면 열역학적 성질이 비슷한 은하단끼리 자연스럽게 묶였다. 유사 은하단을 검색해 냉각시간을 적응적으로 재가중하는 내적 기반 k-최근접이웃 어텐션 모델은 $\log(t_{cool,0})$에서 RMSE 0.24(TNG300)와 0.23(TNG-Cluster)을 기록했고, 분포 외 일반화에서도 원본 이미지로 미세조정한 합성곱 신경망(RMSE 0.50 대 0.73)을 앞섰다. 연구진은 이 결과가 사전학습된 파운데이션 모델 임베딩이 천체물리 영역 간 전이 가능함을 보여주며, eROSITA 같은 전천 탐사에서 냉각 중심부(cool-core) 특성 규명을 확장 가능한 방식으로 수행할 길을 제시한다고 밝혔다.