CosmosNews

#머신러닝

5건의 기사

천문·천체물리

머신러닝 앙상블로 적색편이 미측정 페르미 블레이자 1,590개의 적색편이 분포 추정

페르미-LAT(Fermi-LAT)가 검출한 블레이자 중 약 절반은 분광 적색편이 측정값이 없어 집단 연구와 우주론적 진화 연구가 제한돼 왔다. 연구진은 1/(1+z) 공간에서 35개의 머신러닝 회귀 모델을 앙상블로 구성해 각 천체의 비모수적 적색편이 확률밀도함수(PDF)를 만들고 예측 불확실성을 명시적으로 정량화했다. 그 결과 적색편이가 측정되지 않은 블레이자 1,590개에 대한 예측 적색편이 분포 카탈로그를 구축했으며, 개별 PDF를 합산한 분포는 천체 분류 라벨을 쓰지 않고도 블레이자 특유의 이중 봉우리 구조를 재현했다. 다양한 모델이 비슷한 예측 성능을 보인 점은 입력 특징에서 비롯된 성능 한계(plateau)를 시사한다고 연구진은 밝혔다.

arXiv astro-ph.HE (고에너지)

Origin of life (fossil)
천문·천체물리

머신러닝으로 관측기기 설계 최적화… CMB 스펙트럼 왜곡 관측 FOSSIL 미션 개념에 적용

연구진은 천문 관측기기의 다차원 설계 변수 공간을 탐색·최적화하는 방법을 개발하고, 이를 FOSSIL 미션 개념을 이용한 우주배경복사(CMB) 스펙트럼 왜곡 측정에 적용했다. 하늘 모델과 실제 기기 모델을 결합해 피셔(Fisher) 예측으로 측정 성능을 평가한 뒤, 랜덤 포레스트와 그래디언트 부스팅 등 결정트리 기반 회귀 모델로 기기 변수와 신호대잡음비 사이의 비선형 관계를 학습시켰다. SHAP 값으로 해석한 결과 가장 온도가 높은 기기 부품의 온도가 세 관측량 모두에서 지배적인 변수로 나타나 내부 복사 억제와 극저온 운용의 중요성이 확인됐으며, 주파수 대역 범위도 큰 영향을 미쳐 스펙트럼 커버리지와 기기 감도 사이의 상충 관계가 드러났다. 연구진은 이 연구가 천문 관측기기의 전역 최적화에 머신러닝을 적용한 첫 사례로 알려져 있으며 다른 기기·미션 개념으로도 확장 가능하다고 밝혔다.

arXiv astro-ph.IM (관측기기)

Digital artwork of a blue exoplanet with swirling cloud formations.
행성과학·태양계

"안전 케이지"로 외계행성 분광 머신러닝 신뢰도 검증…데이터 20% 걸러내니 오차 45~65% 감소

지상 검증값(ground truth)을 얻기 어려운 우주 임무에서 블랙박스 머신러닝 모델의 신뢰성을 확보하기 위해, 기존 추정기를 수정하지 않고 병렬 감시 계층으로 작동하는 모듈형 '안전 케이지(safety cage)' 구조를 평가한 연구가 arXiv에 공개됐다. 이 프레임워크는 불확실성 정량화, 도메인 외(out-of-domain) 탐지, 영향 함수 등 런타임 지표를 감시해 모델의 작동 영역을 검증된 범위로 제한한다. 연구진은 2019년과 2021년 아리엘 데이터 챌린지(Ariel Data Challenge) 데이터셋을 사용해 도메인 내·교차 도메인 조건에서 평가했으며, 단일 지표로는 모든 실패 유형을 포착할 수 없어 지표 융합이 필요하다는 결과를 얻었다. 안전 기반 거부 전략을 적용하자 데이터 커버리지를 20% 줄이는 것만으로 도메인과 평가 지표에 따라 오차가 45~65% 감소했다.

arXiv astro-ph.EP (행성계)

천문·천체물리

머신러닝으로 여는 새로운 천문 발견: 이상 탐지 프레임워크 'Astronomaly' 리뷰

스퀘어 킬로미터 어레이(SKA)와 베라 루빈 천문대(Vera C. Rubin Observatory) 등 차세대 망원경은 기존 분석 기법으로는 감당하기 어려운 방대한 데이터를 생산할 전망이다. 논문은 머신러닝이 대용량 데이터 처리와 자동화에 유용하지만, 과학적 발견의 자동화는 능동학습(active learning)을 통한 전문가의 개입과 결합될 때 비로소 가능해진다고 설명한다. 공개 프레임워크 'Astronomaly'는 천문학 분야의 능동적 이상(anomaly) 탐지 도구로, 사용자에게 흥미로운 천체를 추천해 대규모 데이터셋에서 희귀하거나 새로운 종류의 천체를 빠르게 찾아내도록 돕는다. 저자들은 Astronomaly로 이룬 발견 사례를 정리하고, 최신 딥러닝 기반 접근법과 사이버-휴먼 인터페이스의 역할을 논의한다.

arXiv astro-ph.GA (은하)

ZorinOS Galaxy Wallpaper
천문·천체물리

SNAD 팀, 머신러닝으로 대규모 천문 데이터에서 희귀 천체 발굴

SNAD 팀은 광역 탐사 시대의 대규모 천문 데이터에서 머신러닝으로 새롭거나 희귀한 천체·현상을 찾는 파이프라인을 소개했다. 전문가가 개입하는(expert in loop) 능동학습 알고리즘 두 종을 구현한 파이썬 라이브러리 Coniferest, 특정 유형의 일시적 천체를 탐색하는 SNAD Transient Miner, 그리고 ZTF(Zwicky Transient Facility) 데이터 공개본의 개별 천체를 한곳에서 볼 수 있는 웹 포털 SNAD Viewer가 핵심 성과다. 이 접근법을 ZTF 데이터에 적용해 100개가 넘는 새로운 초신성(SN) 후보와 함께 적색왜성 플레어, 초광도 초신성, RS CVn형 변광성, 젊은 항성체 등 미분류 천체 일부를 찾아냈다.

arXiv astro-ph.HE (고에너지)