테라헤르츠 강도 매퍼(TIM)용 운동 인덕턴스 검출기, 킬로픽셀급 성능 입증
연구진은 테라헤르츠 강도 매퍼(Terahertz Intensity Mapper, TIM)의 장파장 모듈용으로 개발된 비행 등급 집중소자형 운동 인덕턴스 검출기(LEKID) 배열을 특성 평가했다. 864픽셀 과학 배열 중 잘 분리된 공진기 490개를 선별해 비행용으로 설계된 ZCU111 기반 다중톤 판독 시스템으로 열적 응답, 광학 응답성, 잡음을 측정했으며, 그 결과는 기존 단일 픽셀 측정과 일치하고 매티스-바딘(Mattis-Bardeen) 이론으로 설명할 수 있었다. 흑체 부하가 커질수록 잡음은 열적 생성-재결합 한계에서 광자 잡음 한계로 전환됐고, 대부분의 검출기가 약 400fW 입사 전력에서 광자 잡음 한계 동작에 도달해 검출기 잡음 한계 NEP 중앙값 1.1×10⁻¹⁷ W/√Hz를 기록했다. 측정된 광자 잡음 스케일링은 광학 효율 중앙값 약 0.67을 시사하는데, 연구진은 검출기와 흑체 복사체 사이의 미확인 손실원을 도파관 손실로 잠정 추정했다. 이로써 TIM의 LEKID 구조가 킬로픽셀급 배열로 확장돼도 요구 감도를 유지함이 확인됐으며, 남은 주요 과제는 배열 수준의 톤 최적화, 공진기 추적, 주파수 영역 충돌 식별이다.
원문 전체를 보시려면
CosmosNews는 원문 전재 없이 요약과 링크만 제공합니다.
관련 기사
하이브리드 신경망 노이즈 제거로 광범위 공기 샤워의 저임계 전파 트리거 효율 개선 (arXiv 논문)
연구진은 소형 파형 노이즈 제거기(denoiser)와 분류기를 결합한 하이브리드 신경망 트리거를 제안해, 전파 간섭이 심한 환경에서 광범위 공기 샤워(extensive air shower)의 약한 신호를 자율적으로 포착하는 방법을 제시했다. 평가에는 실측된 고간섭 배경 신호와 피에르 오제 관측소(Pierre Auger) 오프라인 체인으로 생성한 검출기 반영 시뮬레이션 펄스가 사용됐으며, 노이즈 제거를 적용한 기존 피크-엔벨로프 트리거의 ROC 곡선 하부 면적(AUC)은 0.63에서 0.98로 상승했다. 거짓양성률 10^-4 조건에서 노이즈 제거기-분류기 전체 구조는 검증용 신호 파형의 약 41%를 유지해, 원시 파형에 분류기만 적용한 경우(27%)와 피크-엔벨로프 기준(약 2%)을 웃돌았다. 고정소수점 펌웨어는 대표적인 FPGA에 합성·배치·배선까지 완료해 마이크로초 수준의 지연시간으로 타이밍 클로저를 달성했다.
arXiv astro-ph.IM (관측기기)
딥 앙상블 그래프 신경망으로 전파 검출기 배열의 우주선 방향·에너지 재구성
연구진은 지상 전파 검출기 배열에서 초고에너지 우주선이 유도하는 전압 신호로부터 도래 방향과 에너지를 재구성하는 머신러닝 기법을 개발했다. 신호가 감지된 안테나들을 그래프 구조로 표현해 그래프 신경망(GNN)에 입력하고, 물리적 지식을 신경망 구조와 입력 데이터에 함께 반영해 정밀도를 높이고 완전 데이터 기반 방식보다 필요한 학습 데이터 규모를 줄였다. 현실적인 잡음 조건을 반영한 시뮬레이션 데이터에서 각분해능 0.092도, 전자기 에너지 재구성 분해능 16.4%를 달성했다. 또한 불확실성 추정 기법을 적용해 방향과 에너지 재구성 각각에 신뢰구간을 제공하고, 시뮬레이션과 실제 환경 간 도메인 차이에도 예측이 신뢰할 수 있는 조건을 확인하기 위한 모델 일관성·강건성 검증 전략을 조사했다.
arXiv astro-ph.IM (관측기기)
가이아(Gaia) DR3 소스 카탈로그로 학습한 생성 모델 'Learning Gaia' 공개
가이아 데이터 공개 3차(Gaia DR3) 소스 카탈로그의 약 5억 7,900만 개 천체의 위치·측광·측성 정보로 조건부 흐름 매칭(conditional flow matching) 모델을 학습시킨 연구가 arXiv에 공개됐다. 이 모델은 확률적 마스킹 기법을 적용해 실제 가이아 천체의 부분 측정값이 있든 없든 모의 카탈로그 천체를 생성할 수 있고, 은하수 원반과 마젤란 성운을 재현하며 측광·운동학 정보를 보간할 수 있다. 다만 오메가 센타우리(ω Centauri)처럼 작고 뚜렷한 하위 집단은 재현하지 못했으며, 저자는 이 연구가 가이아 데이터 전체를 학습하는 파운데이션 모델로 가는 단계이자 향후 가이아 데이터 공개 4차(DR4) 작업의 청사진이라고 밝혔다.
arXiv astro-ph.GA (은하)
LUMA: 천체 영상에서 강한 중력렌즈를 탐색하는 CNN 파이프라인 공개
연구진이 시뮬레이션된 천체 영상에서 강한 중력렌즈(strong gravitational lens)를 자동 탐지하는 합성곱 신경망(CNN) 파이프라인 'LUMA'를 제시했다. 희미한 호(arc)와 고리(ring) 구조를 강조하는 물리 기반 전처리 단계와, 클래스 재가중 및 학습률 스케줄링으로 훈련된 3블록 구조의 소형 CNN을 결합한 방식이다. 시뮬레이션 데이터에서 약 96%의 테스트 정확도와 비자명(non-trivial) 클래스에 대해 약 0.99의 ROC AUC를 기록했으며, 혼동행렬 분석에서도 렌즈 후보에 대해 높은 완전도와 순도를 보였다. 연구진은 비교적 경량의 CNN 구조도 강한 중력렌즈 탐색의 경쟁력 있는 기준선이 될 수 있다고 보고, 향후 실제 서베이 영상 적용과 트랜스포머 기반 모델로의 확장을 과제로 제시했다.
arXiv astro-ph.GA (은하)