2건의 기사
연구진은 중심 은하의 전경 빛에 가려진 중력렌즈를 찾기 위해 U-Net으로 전경 은하빛을 분리해 잔차 영상을 만들고, ResNet으로 렌즈 신호를 이진 분류하는 복합 신경망 기법을 제안했다. 실제 관측 데이터 검증에서 신뢰도 임계값 0.6 기준으로 재현율 71.5%, 위양성률 4.5%를 기록했다. 이 방법을 킬로디그리 서베이(KiDS) 데이터 릴리스 4의 은하 표본 638,398개 이상에 적용해 A등급 88개, B등급 322개, C등급 1,758개 후보를 식별했다.
arXiv astro-ph.GA (은하)
정합필터(matched filter)는 주어진 공분산의 잡음에 대해 최선의 선형 불편 추정기(BLUE)이며, 잡음이 가우시안이고 알려져 있으면 최소분산 불편 추정기이므로, 합성곱신경망이 이를 능가하려면 영상마다 달라지는 공분산이나 비가우시안 잡음이 필요하다. 연구진은 신경망 학습 이전에 잡음만으로 계산할 수 있는 단일 지표 '우위 상한(advantage ceiling) eta >= 1'을 제안하고, 밀리미터/서브밀리미터 서베이 잡음 분류군에 대해 이를 계산했다. 기기 백색잡음 바닥이 있는 가우시안 잡음에서는 eta = 1(±0.04)이었고, 공분산 혼합에서는 스펙트럼 기울기·확장 천체의 경우 10.2, 성분 누출의 경우 2.1, 그 외에는 1.1~1.8의 상한이 나왔으며 2000개 파라미터의 혼합 정합필터가 이 중 70~81%를 달성했다. 천체 혼잡(source confusion)은 가장 큰 우위를 주어 확장 천체에서 eta >= 3.8, 조밀 천체에서 eta >= 2.4였으나 바이스펙트럼 단계 이상에서만 도달 가능했다. ResNet 회귀 모델은 사전 수축 효과를 제외하면 가우시안 잡음에서 정합필터보다 6~15% 비효율적이었고, 스펙트럼 기울기에서 이용 가능한 10.2 중 1.8만 구현했다.
arXiv astro-ph.IM (관측기기)