CosmosNews

#CNN

5건의 기사

KENNEDY SPACE CENTER, FLA. - Against a sunrise-painted sky at NASA Kennedy Space Center, co-anchor on CNN’s American Morning, talks on air with NASA Administrator Mike Griffin about the pending 3:51
천문·천체물리

신경망으로 중력파 탐색 매개변수 공간 좁히기: 정렬 스핀 쌍성 블랙홀로 확장

연구진은 정합 필터(matched filtering) 방식의 중력파 탐색이 고차원 매개변수 공간의 수많은 템플릿 파형과 상관 연산을 해야 해 계산 비용이 크다는 점에 주목해, 합성곱 신경망(CNN)으로 탐색 영역을 좁히는 기존 기법을 정렬 스핀(aligned-spin) 쌍성 블랙홀(BBH) 계로 확장했다. IMRPhenomD 파형과 어드밴스드 라이고(Advanced LIGO) 설계 감도를 사용해, 정렬 스핀 템플릿 뱅크만으로 학습한 CNN이 독립적으로 균일 샘플링한 BBH 신호에 대해 99.8% 이상의 신호-잡음 분류 정확도를 달성했으며, 이는 추가 균일 샘플링 학습 데이터가 필요하지 않음을 뜻한다고 밝혔다. 연구진은 주성분분석(PCA) 기반 분위수 방식으로 템플릿 뱅크를 대체로 균형 잡힌 4개 패치로 나누고 5가지 매개변수 공간 표현을 평가했는데, 처프 질량-지속시간 표현이 평균 정확도 93.2%로 가장 높았고 처프 질량(91.6%), 구성 성분 질량(90.5%)이 뒤를 이었다. 반면 후-뉴턴 좌표 tau_0-tau_3와 theta_0-theta_3-theta_3s는 정확도가 크게 낮아, 기존 템플릿 뱅크만으로도 학습과 고정확도 탐지가 가능하지만 실제 신호의 매개변수를 제한하려면 매개변수 공간 표현의 선택이 결정적이라는 결론을 내렸다.

arXiv astro-ph.IM (관측기기)

Work began on March 11, 2010 to replace a set of elevation bearings on the giant Mars antenna at NASA Deep Space Network complex in Goldstone, Calif.
천문·천체물리

딥러닝으로 은하군·은하단의 헤일로 질량과 가스 비율 추정하는 다중모드 프레임워크 'DLHD' 제안

은하군 규모에서는 구성원 은하 수가 적고 퍼텐셜 우물이 얕으며 AGN 피드백에 의한 바리온 방출이 있어 암흑물질 헤일로의 총질량(M_halo)과 가스 비율(f_gas)을 정확히 추정하기 어렵다. 연구진은 은하 목록과 X선 영상을 Deep Sets와 합성곱신경망(CNN)의 결합으로 동시에 처리하는 다중모드 딥러닝 프레임워크 'Deep Learning Halo Definer(DLHD)'를 제시했다. IllustrisTNG300 유체역학 시뮬레이션 기반 모의 데이터로 검증한 결과 DLHD의 M_halo 추정 RMSE는 Deep Sets 대비 1.9배, CNN 단독 대비 1.3배 개선됐다. R_200c 이내 가스 비율에서는 Deep Sets 대비 2.0배, CNN 단독 대비 1.1배 RMSE가 줄었으며 다른 구경에서도 일관된 개선이 나타났다.

arXiv astro-ph.GA (은하)

천문·천체물리

CNN으로 X선·21cm HI 모의 관측에서 은하 헤일로 기체 특성 추정

연구진은 IllustrisTNG100·TNG300 시뮬레이션 기반 모의 관측 데이터로 합성곱 신경망(CNN)을 훈련해 헤일로 질량, 기체 비율, 금속 함량, [O/Fe] 함량비를 추정했다. X선과 HI를 결합한 다중 파장 조합은 기체 비율 추정에서 단일 파장보다 일관되게 우수했고, 헤일로 질량 측정은 X선이 앞섰으나 저온(T<10^5 K) 기체 비율에서는 두 파장의 기여가 비슷했다. 동일 노출시간 기준으로 마이크로칼로리미터는 CCD 대비 금속 함량 추정 성능을 1.75배 개선했으며, TNG300에서는 100 ksec X선 노출로 그룹 헤일로 질량을 RMSE 0.04 dex로 추정했다. 연구진은 이러한 딥러닝 기법이 향후 X선·21cm HI 탐사의 장비 개발과 관측 전략 설계를 평가하는 데 활용될 수 있다고 밝혔다.

arXiv astro-ph.GA (은하)

천문·천체물리

군중 주석에서 배우는 딥러닝: 은하 형태 분류의 기초

연구진은 갤럭시 주(Galaxy Zoo 1)의 시민과학 주석 데이터를 학습 자료로 삼아 은하 형태를 자동 분류하는 합성곱 신경망(CNN)을 훈련하고, 학습 방식·주석자 간 일치도·분류 체계의 계층 구조가 정확도에 미치는 영향을 분석했다. 마지막 층만 학습할 때보다 신경망 전체를 학습시키면 완전 일치 기준 정확도가 10% 향상됐고, 학습 데이터가 적을 때는 계층 구조 활용과 단계별 전이학습(커리큘럼 학습)이 정확도를 높였으며 앙상블도 효과가 있었다. 신경망의 모든 층을 학습시키고 주석자 간 일치도가 높은 데이터를 사용한 경우 99% 이상의 정확도를 달성했다. 다만 가장 어려운 사례에서는 정확도가 낮았고, 연구진은 군중 주석 기반 딥러닝 학습이 확정적 주석 학습보다 추가적인 난제를 안고 있다고 결론지었다.

arXiv astro-ph.GA (은하)

An astronaut in a spacesuit exploring a rocky landscape, evoking adventure and sci-fi themes.
천문·천체물리

딥러닝으로 분산 개구 망원경 정렬·코페이징 추정: Small ExoLife Finder(SELF) 적용 연구

외계행성 생명징후 직접촬영을 목표로 설계된 35~50m급 피조(Fizeau) 간섭계 망원경 ExoLife Finder(ELF)의 3.5m 시제품인 Small ExoLife Finder(SELF)를 대상으로, 초점면 이미지에서 정렬 오차를 직접 추정하는 합성곱 신경망(CNN) 기법이 제시됐다. 연구진은 SELF 단순화 모델의 고정밀 광학 시뮬레이션으로 학습·검증 데이터를 생성하고, 부분개구 정렬 오차와 초점면 강도 분포 사이의 비선형 관계를 학습하는 맞춤형 CNN 회귀 모델을 구성해 모든 거울 쌍의 피스톤·틸트 오차를 재구성했다. 맞춤형 CNN은 밀리초 단위 추론 속도로 성능·강건성·계산 효율의 균형을 보였으며, 가우시안 잡음 증강은 낮은 신호대잡음비에서는 재구성 성능을 높였지만 잡음이 거의 없는 조건에서는 오히려 성능을 떨어뜨리는 트레이드오프가 확인됐다. 저자들은 이 결과가 분산 개구 망원경의 데이터 기반 초점면 파면 센싱 가능성과, 향후 고분해능 간섭계의 자율적 코페이징 전략의 토대를 보여준다고 밝혔다.

arXiv astro-ph.IM (관측기기)