졸업연구
지도교수님: 이형준 교수님
주제: [멀티모달 생성 AI] 멀티 모달리티 학습 환경에서 누락된 모달리티 데이터 생성 연구

✅세부주제 정하기

🔍천문 데이터 누락 문제

우주 환경에서 수집된 다양한 형태의 데이터를 분석하는 과정에서 탐사선이 특정 시점에서 데이터를 전송하지 못하거나, 장비 고장으로 인해 일부 정보가 기록되지 않는 등의 데이터 누락 문제가 발생할 수 있는 것을 확인했다. 이를 해결하기 위해 생성형 AI를 활용하여 누락된 데이터를 보완적으로 생성하는 연구를 수행하고자 한다. 즉, AI가 기존 데이터를 학습하여 누락된 정보를 예측 및 생성함으로써 데이터의 완전성을 높이고 분석의 신뢰성을 향상시키는 것이 목표이다.

🔍비슷한 연구 논문

PhotoRedshift-MML: A multimodal machine learning method for estimating photometric redshifts of quasars

이 논문은 퀘이사의 사진측정 적색편이(photometric redshift) 추정을 개선하기 위해 다중모달 머신러닝을 활용한 연구이다. 적색편이 추정을 위해선 분광 데이터(spectroscopic data)가 필요하지만 망원경 관측 자원의 제한으로 인해 많은 퀘이사에 대한 분광 데이터가 부족한 문제가 있다. 이에 논문에서는 사진측정 데이터(photometric data)만으로 가상의 분광 특징(spectral features)을 생성하여 해당 문제를 보완하는 방법을 제안하였다.

✅천문학 교수님들께 자문 구하기

우리는 컴퓨터공학전공 학생으로 천문학적 배경지식이 부족하여 전문가의 자문을 구하기로 했다.
이에 서울대학교 천문학전공, 연세대학교 천문우주학과, 경희대학교 우주과학과, 충남대학교 천문우주과학과, 충북대학교 천문우주학과, 경북대학교 천문대기과학전공, 세종대학교 물리천문학과 교수님들께 메일을 보내어

• 현재 천문학에서 관측 자원의 제한으로 인해 발생하는 데이터 부족 문제는 어떤 것들이 있는지
• 위 질문의 누락된 데이터를 생성하기 위해 필요한 데이터의 종류와 연관성
• 이와 같은 연구와 관련해서 참고하면 좋을 만한 자료

에 대한 조언을 부탁드렸고, 그 중 몇몇분께서 답변을 보내주셨다!

✉️서울대학교 황호성 교수님의 답변

안녕하세요. 반갑습니다. 우주 관련 데이터 연구에 대한 열정이 느껴져서 아주 좋습니다.

천문학에서 자료 누락은 아주 흔히 있는 일인데, 알려주신 논문과 비슷한 논문을 최근에 저희 그룹에 있던 학생과 쓴 게 있습니다 - https://ui.adsabs.harvard.edu/abs/2025arXiv250200692K/abstract

여기서 자료 누락은 크게 두 가지가 있는데, 하나는 한 은하에 대해서 여러 파장에서 측정한 등급이 빠지는 것하고, 둘째는 분광학적 적색이동이 빠지는 것입니다.

첫번째 여러 파장에서 측정한 등급이 완벽하지 않은 경우는 위 논문에서 사용한 것과 같은 자료인데, https://ui.adsabs.harvard.edu/abs/2020ApJ...899...35T/abstract 논문의 그림 5를 보시면 됩니다. 한 은하에 대해서 여러 파장에서 관측한 값들이 검은색 동그라미로 표시되어 있는데, 화살표로 표시된 게 상한값이 있는 경우고, 선으로 표시된게 파장에 따른 은하 빛을 모형화 한 것입니다. 따라서 군데군데 빠진 점들이 있어서 파장에 따른 은하 빛 모형화에 문제가 있는 경우인데, 이럴 때 AI로 자료를 채울 수 있다면 좋긴 합니다. 물론 그게 꼭 정답이라는 보장은 없겠지만.

아무튼 이 자료를 채우는 방법은 결국 근처 파장의 값을 가지고, 추측하는 게 가장 좋은데, 추측할 때 얼마나 물리적인 접근을 하느냐가 관건이긴 합니다.

두번째는 보여준 논문처럼 분광으로 얻은 은하의 적색이동 값이 정확하고, 그걸 거리로 환산해서 은하의 3차원 지도를 그리는게 보통 하는 일인데, 그게 없는 은하들은 대신 측광학적 적색이동을 구하게 됩니다. 이걸 얼마나 잘 구하냐가 연구에 관건인데, random forest나 neural network 같은 알고리즘을 사용해서 측광학적 적색이동을 예측하는 연구를 많이 하고 있습니다. 물론 정확도가 분광학적 적색이동만 좋지 않긴 하지만.

여기서 필요한 것은 결국 1) 한 은하에 대해서 관측된 등급이 얼마나 많은 파장에 있는가 하고, 2) 분광학적 적색이동을 알고 있는 은하가 얼마나 많은가가 필요한 것 같습니다.

일단 메일로는 이정도 설명할 수 있을 것 같구요. 필요하면 줌 미팅을 통해서 더 자세히 설명 드릴 수 있으니 알려주세요.

황호성 드림.

핵심 요약

자료 누락의 두 가지 경우

• 한 은하에 대해서 여러 파장에서 측정한 등급이 누락되는 것
  • AI로 추정이 가능하지만 물리적으로 설득력있는 방식이어야 함
• 분광학적 적색이동이 누락되는 것
  • 이를 예측하기 위해 측광학적 적색이동 추정 연구가 활발하며, random forest, neural network 같은 알고리즘을 사용해서 예측하는 연구를 많이 진행 중

연구에서 중요한 요소

• 하나의 은하가 얼마나 많은 파장에서 관측되었는가
• 분광학적 적색이동 값이 존재하는 은하가 얼마나 되는가

✉️연세대학교 변용익 교수님의 답변

변용익 교수님께서는 천문학 분야에서의 누락된 모달리티 생성을 부정적으로 생각하시는 듯 하다.
자칫 잘못 생성하게 된다면 해석에 대한 도움보다는 방해로 이어질 수 있으니 조심스러운 부분이다.

김대원 박사, 그리고 신민수 박사

아래에 이화여대 컴공과 학생들이 보내온 이메일을 첨부합니다.
관측자료 누락구간에 대한 AI/ML 적용으로 그럴듯한 가짜자료를 만들어넣고...
최종분석결과의 신뢰도를 높인다는 건데...
아무래도 김박사 경험이 도움될 것 같아 포워드하는 거예요.

학생들이 첨부한 논문은 SLOAN 자료로 퀘이사의 측광적 후퇴속도를 구하는 건데요,
논문에 따르면 마치 큰 의미의 성과인 듯 포장하지만... 내용 살펴보면 겨우 4% 향상되었다는.
물론 '향상'의 판단기준이나 정당성도 변수이고요.

암튼 SLOAN은 예전에 내가 참여했던 BATC보다도 훨씬 광대역필터라 측광속도는 정말
열악하지 않을까 싶은데, 열악한 자료의 누락 포인트에 AI 적용하면 좋은 결과로 탈바꿈할까요?
퀘이사의 특정 방출선 feature를 보는 것도 아니고 그냥 대략적인 SED를 가정하는건데..

누락구간에 대한 무리한 인위적 정보생성은, 그것이 '내삽'이던 '추정'이던 'AI'이던 간에
관측자료 해석에 대한 '도움' 보다는 '방해 및 오류'로 이어질 수 있다는 것이 내 '복고적' 생각인데요.
최근의 트렌드가 어떠한지 나는 잘 모르는거죠.

암튼 학생들의 관심이 특별히 퀘이사나 후퇴속도 자체에 얽매일 필요는 없겠고요..
혹시 GAIA 자료나 다른 관측연구영역 중에서 이와 유사한 시도를 할만한 science case가 있지 않을까해서
생각 좀 해보시라고 보냅니다.

메일 한참 쓰다가 … 신민수 박사도 이런 일들에 해박할 것 같다는 생각이 막 들어서
수신자 목록에 넣었습니다. 학생들에게 좋은 조언을 해주세요. 나에게도…

변용익

변용익 교수님 답변 핵심 요약

• 우리가 예시로 보낸 연구는 AI/ML로 누락된 관측자료를 생성해 분석 신뢰도를 높이려는 시도에 대한 것인데 해당 연구 결과, 향상 폭이 4%에 불과했고 과장된 느낌도 있음.
• AI로 누락된 데이터를 보완하는 것이 오히려 오류를 유발할 수 있다는 우려가 있음
• 퀘이사나 후퇴속도 자체에 얽매이지 말고, GAIA 자료나 다른 관측 연구 영역에서 시도할만한 science case를 고려해 보길 권장하심

신민수 교수님의 답변

안녕하세요,
저도 변교수님이 언급하신

누락구간에 대한 무리한 인위적 정보생성은, 그것이 '내삽'이던 '추정'이던 'AI'이던 간에 관측자료 해석에 대한 '도움' 보다는 '방해 및 오류'로 이어질 수 있다는 것이 내 '복고적' 생각인데요. 최근의 트렌드가 어떠한지 나는 잘 모르는거죠.

이 부분에 전적으로 같은 생각입니다. computer science 분야에서 이런 시도를 많이 하려고 하는데, scientific reasoning 특히 inverse problem의 관점에서는 매우 위험한 것으로 인식합니다. entertainment industry와 같이 cost의 위험도가 크지 않은 분야에서만 실질적으로 활용이 된다고 보면 좋겠습니다.

학생들이 언급한 photometri redshift에 대해서는 삼성SDS로 학계를 떠난 이준구 박사를 지도했던 아래 두 논문이 있습니다.

Estimation of Photometric Redshifts. I. Machine-learning Inference for Pan-STARRS1 Galaxies Using Neural Networks
https://ui.adsabs.harvard.edu/abs/2021AJ....162..297L/abstract
Estimation of Photometric Redshifts. II. Identification of Out-of-distribution Data with Neural Networks
https://ui.adsabs.harvard.edu/abs/2022AJ....163...98L/abstract
내년에 본 자료가 나올 LSST에 적용을 위한 사전 연구의 성격이었습니다. 이준구 박사가 학위 연구 후에 삼성SDS로 떠나게 되어서 아쉽게도 paper III, IV의 연구로 진행되지 못했습니다.

학생들이 multimodal의 개념을 정확이 이해하고 있는지 모르겠는데요, 위 photometric redshift와 관련해서 흥미로운 주제로 제시하고 싶은 것은,

• multi-task or multi-label learning: 이 경우는 star/galaxy/qso
  classification + photometric redshift estimation,
• influence of training data: training data가 trained model에 끼치는influence에 대한 확인,
• ensemble learning and knowledge distillation: 위 paper에서도 간단한 수준의 ensemble learning을 활용하는데 원래 고민했던 mixture of experts와 같은 방법론의 활용과 이들 ensemble의 knowledge를 distillation하는 것이 현실에서 모델을 활용하는데 유용합니다. (최근
  이러한 방법의 활용을 잘 보여 준 것이 중국의 DeepSeek 입니다.)

학생들이 궁금한 것이 있으면 저에게 자유롭게 문의해도 괜찮겠습니다.
신민수 드림.

신민수 박사님 답변 핵심 요약

• 변용익 교수님이 우려하신 부분에 동의함. 관측 자료 누락을 AI로 복원하는 시도는 inverse problem 관점에서 위험함. 이에 실질적으로 entertainment industry와 같이 위험 부담이 낮은 분야에서 주로 활용됨

• 측광학적 적색편이와 관련하여 제시해주신 주제들

  • multi-task or multi-label learning
    : star/galaxy/QSO 분류 + 측광학적 적색편이 예측
  • influence of training data
    : training data가 trained model에 끼치는 영향 분석
  • ensemble learning and knowledge distillation
    : 위 논문들에서도 간단한 수준의 앙상블 학습을 쓰긴 했지만, 원래는 Mixture of Experts 같은 더 정교한 방법을 쓰고 싶었고, 이렇게 여러 모델을 조합해서 생긴 지식을 작은 모델에 distillation하면 실제 현장에서 효율적이고 유용하게 쓸 수 있음

김대원 박사님 답변

안녕하세요,

신민수박사가 정리를 잘 해줬네요.

먼저, ML이든 AI든 자료분석 도구의 하나라고 접근하는 것이 좋습니다.
최근 AI의 음성, 영상 분야에서 성공이 모든 분야에서 동일하게 적용되기는 힘들겁니다.
학생분들이 이를 기본적으로 인지하고 있다는 가정하에 메일 드립니다.

redshift 관련은 신박사가 잘 정리해준 것 같아요. 기존 자료도 많고 
논문작성하기에는 나쁘지 않을 듯 합니다. 그 외의 경우라면

• 시계열 (광도곡선) 누락 관측자료 복원
• 어떤 기술이던 시계열분석은 상당히 도전적인 과제입니다. 성공확률이 상대적으로 낮은.
• 따라서 시계열의 종류를 한정하는 것이 필요할 듯 (e.g. 주기변광성 이라던가)
• 분석이 성공적으로 복원을 한다면, 해당모델을 이용해 다양한 추가시도가 가능 (e.g. 예측, 이상치검출 등)
• 관측영상 복원
• bad pixel 혹은 영상 noise 제거를 통한 복원
• 여러기술이 적용되고 있는 분야입니다. 영상자료를 얻기가 쉽진 않게지만.
• 학생들이 원하는 누락자료 복원에 딱 들어맞지는 않을 수도 있겠네요.

정도가 당장 떠오르네요. 기타 기술적인 부분들은 차차 논의하는게 좋을듯 합니다.

김대원드림

김대원 박사님 답변 핵심 요약

적색편이 관련 주제는 논문 주제로 괜찮음. 적색편이 외의 경우를 추천해주자면,

• 시계열 누락 관측 자료 복원
  • 시계열의 종류를 한정하는 것이 필요 (ex. 주기변광성)
  • 성공적으로 복원이 된다면 해당 모델을 이용해 확장 가능 (ex. 이상치 검출 등)
• 관측 영상 복원
  • bad pixcel 제거, 영상 노이즈 제거 등
  • 영상 자료를 얻기 쉽지 않을듯

✉️서울대 우종학 교수님 답변

이메일 잘 받았습니다.

기계학습 방법을 이용해 천문학 자료에서 측정이 어려운 물리량을 추론하는 주제는 요즘 많은 관심을 받고 있습니다.

Q1)
현재 천문학에서 관측 자원의 제한으로 인해 발생하는 데이터 부족 문제에는 어떤 것들이 있을까요?

A1)
이미징에 비해 분광은 매우 어렵고 비용이 많이 들기 때문에 스펙트럼 부족은 항상 겪는 일입니다. 이미징은 전천탐사 자료가 있지만 분광은 그렇지 않으니까요. 또한 분해능의 문제가 있습니다. 전천을 허블망원경이나 제임스웹으로 탐사할 수는 없고 지상망원경으로는 훨씬 분해능이 떨어진 자료를 얻을 수 밖에 없습니다.

Q2)
1번 질문의 누락된 데이터를 생성하기 위해 필요한 데이터의 종류와 연관성을 알고 싶습니다.

A2)
적색이동값 뿐만 아니라 스펙트럼은 많은 정보를 담고 있습니다. 가령 가스나 별의 운동, 금속함량, 이온화 정도 등등 이를 이미징 자료만 가지고 추출해 낼수 있다면 매우 멋진 결과가 되겠죠 분해능이 낮은 자료로 기계학습을 통해 작은 구조를 알아낼 수 있다거나 활동성 블랙홀을 은하로부터 분해해 낼수 있다거나 적용은 엄청나게 많습니다 .

Q3)
이와 같은 연구와 관련하여 참고하면 좋을 만한 논문이나 자료가 있다면 추천해 주시면 감사하겠습니다.

A3)
적색이동을 측정하는 연구는 우리 그룹에서 관심있게 하고 있는 연구인데 특히 며칠 전에 발사된 SPHEREx나 올해부터 관측에 들어가는 LSST 자료를 이용하여 퀘이사들의 적색이동을 구하는 연구를 시작하고 있습니다. 관련 논문은 이미 여러분이 알고 있는 논문에서 출발하면 좋을 것입니다. 이 논문은 SDSS 자료를 이용한 것인데 같은 방법을 적용해서 우리 그룹이 갖고 있는 자료에 적용하는 연구주제도 가능하겠네요.

우종학

핵심 요약

현재 천문학에서 발생하는 데이터 부족 문제

• 분광 데이터 부족
• 분해능 문제

✉️충북대 김경찬 교수님

반가워요.

흥미롭고 학술적으로 가치가 높은 연구 주제를 선정하셨네요. 다만, 연구를 진행하시면서 천문학(Astronomy)과 우주과학(Space Science)의 차이를 정확히 이해하고 계신지 궁금합니다.

천문학은 지구에서 도달한 빛을 분석하여(실제 천체까지 가보지 않고) 천체와 우주를 연구하는 학문입니다. 반면, 우주과학은 실제 우주 환경을 현장에서 직접 관측하여 연구하는 분야로, 위성 제작 및 운영, 태양계 내 행성 탐사를 포함합니다.

이 관점에서 저는 우주과학자이며, 연구 방식과 데이터 처리 방법이 천문학과 다르기 때문에 천문학 데이터를 활용한 연구에 대한 구체적인 조언을 드리기는 어렵습니다.

다만, 우주과학에서의 데이터에 대해서 조언을 해드리면,
우주과학에서는 다양한 행성 탐사선이 행성 주변 환경(우주 환경)을 탐사하며 데이터를 수집합니다. 이 데이터는 전자기장, 에너지에 따른 입자 분포 등을 측정하는 데 초점을 두고 있으며, 천문학처럼 빛을 직접 관측하지는 않습니다.
다만, 전파 신호(빛의 한 종류)를 활용하여 행성의 이온층을 탐사하거나, 행성에서 자연적으로 방출되는 전파 신호를 감지하기도 합니다.
위성에서 수집하는 데이터는 기본적으로 시계열 데이터 형식을 따릅니다. 위성이 이동하면서 데이터를 측정하기 때문에, 위성의 위치 정보와 함께 수집되는 것이 특징입니다. 이는 고정된 망원경으로 관측하는 천문학 데이터와 차이가 있습니다.

학생들이 제시한 것처럼, 장비 고장으로 인한 데이터 손실도 발생할 수 있지만, 실제 연구에서는 데이터의 질이 저하되는 경우가 더욱 빈번합니다. 이를 방지하기 위해 미리 예상되는 기준 데이터를 설정해 두고, 그 기준에서 크게 벗어난 값이 관측되면 실제 물리적 현상의 결과인지, 단순한 오류인지 판단해야 합니다. 오류(여러 가지가 있는데 여기서 말하기에는 너무 전문적이라 학생들이 직접 찾아보고 공부해보기 바랍니다)로 판단된 데이터는 보통 제공되지 않으며, 과거에는 이를 보완하기 위한 여러 보정 기법들이 활용되었습니다. 현재는 AI 기술이 발전하면서, 누락된 데이터를 보완하는 데 AI 기법을 적용하는 연구가 더욱 활발히 진행될 수 있을 것으로 보입니다.

우주과학 데이터는 NASA CDAWeb(https://cdaweb.gsfc.nasa.gov/)을 통해 무료로 제공됩니다. 반면, 천문학 데이터는 일부 공개된 자료가 있긴 하지만, 우주과학 데이터에 비해 제한적입니다.
따라서 연구 방향을 설정할 때 이러한 데이터 접근성을 고려하는 것도 중요할 것입니다.

좋은 연구 성과를 거두시길 바라며,

김경찬

핵심 요약

천문학과 우주과학의 차이

• 천문학
  • 지구에서 빛을 분석해 천제와 우주를 연구하는 것
  • 만원경 기반 관측, 고정된 위치에서의 데이터
• 우주 과학
  • 우주 환경을 직접 관측 (탐사선, 위성 등)
  • 전자기장, 입자 분포 등 물리 환경 측정 중심
  • 데이터는 시계열 형식이며, 위성 위치 정보도 함께 수집됨

우주과학 데이터

• 장비 고장으로 인한 데이터 손실보다는 데이터 질이 저하되는 경우가 더욱 빈번함
• 이를 방지하기 위해 미리 예상되는 기준 데이터를 설정하고 오류를 판단함
• 오류로 판단된 데이터는 제공되지 않으며 과거에는 이를 보완하기 위해 여러 보정 기법들이 활용됨
• 현재는 AI를 활용해 누락된 데이터를 보완하는 연구가 진행될 것으로 보임
• NASA CDAWeb을 통해 데이터가 무료로 제공됨

✉️세종대 지웅배 교수님

이화여자대학교 정소은 학생분에게 (cc to 이명현 박사님)

이명현 박사님으로부터 답변을 부탁받고 메일 답변 드립니다

저는 연세대학교에서 은하 우주론으로 박사학위를 받고
지금은 세종대학교에서 은하를 연구하고 학생들을 가르치는 지웅배입니다

흥미롭고 시의성있는 주제로 연구를 하고 계시다고 생각합니다
좋은 결과가 나오기를 저도 응원하겠습니다

지금 하고 계신 연구의 주제를 제 언어로 번역해본다면 이렇게 이해됩니다

"제한된 관측 데이터만을 가지고 머신러닝 등을 활용해서 관측하지 못한 은하의 다른 특성을 유추하는 것"
천문 관측은 비용과 시간이 많이 들기 때문에 항상 원하는 모든 것을 다 관측할 수 없습니다
다행히 이제는 그간 누적된 방대한 데이터가 있기 때문에 그 속에서 다른 변수들과의 관계를 파악하고 수중에 있는 제한된 데이터만으로 궁극적으로 원하는 또 다른 특성을 유추하는 시도가 필요합니다

실제로 이런 시도는 요즘 천문학계에서 많이 연구되고 있습니다
대표적으로 몇 가지 소개드리자면

개별 은하가 나선 은하인지 타원 은하인지, 등 은하의 형태학적(morphological) 분류를 자동화하는 연구가 있습니다
보통 일반적인 '측광' 관측에서는 은하의 color, magnitude, concentration(빛이 얼마나 중앙부에 집중되어있는가) 등을 구할 수 있는데
이것을 바탕으로 은하가 spiral 인지 elliptical인지 형태를 구분하는 시도가 많이 이루어지고 있습니다
은하의 형태학적 분류는 은하의 진화를 연구하기 위해서 반드시 거쳐야하는 가장 기본적인 과정 중 하나이지만 요즘은 워낙 관측된 은하 데이터가 많다보니 하나하나 사람 손으로 분류할 수 없습니다
https://academic.oup.com/mnras/article/537/2/876/7954755?login=falsehttps://www.sciencedirect.com/science/article/abs/pii/S2213133719300757?via%3Dihubhttps://academic.oup.com/mnras/article/473/1/1108/4159372

또는 은하의 다른 기본적은 측광학적 특성을 통해 은하의 역학적 특성 ex. 각운동량, rotational parameter 를 구하는 연구들도 진행되고 있습니다
https://iopscience.iop.org/article/10.3847/2515-5172/abc1db

공유해주신 것처럼 분광 관측에서도 제한된 관측 데이터만으로 전체 스펙트럼의 형태를 파악하는 연구가 아주 활발하게 진행되고 있습니다
특히 이런 연구는 제한된 데이터만으로 외계행성의 대기 성분을 유추하거나
먼 은하의 화학적 성분을 파악하고자 하는 연구에서 많이 활용합니다

spectrum을 제한된 측광 데이터로 만드는 걸 하고 싶다면
보통 필요한 데이터는 다음과 같습니다
multi-band photometric data : u,g,r,i,z, J, H, K 등 다양한 몇몇 밴드에서의 측광 관측 -> 자연스럽게 color 도 알 수 있음 (u-r, g-r ...) narrow band photometry : H alpha 나 OIII Line
morphological parameter : concentration, Sersic index ...

더 많은 데이터까지 알 수 있다면 물론 좋습니다
Photometric redshift stellar mass, SFR, dust, (NUV-r color ....) 등등

만약 자체적으로 AI machine learning tool 까지 개발할 욕심을 갖고 있다면 좋은 training data set 이 있습니다

SDSS-IV MaNGA
GAMA (Galaxy And Mass Assembly)
여기에 다양한 Photometric parameter가 높은 resolution으로 제공되고 있으니 참고해보시길 바랍니다

지웅배 드림
Galaxy Woong-bae Zee

핵심 요약

관련 연구 예시

• 은하 형태 자동 분류 연구
  • 측광 자료를 기반으로 spiral vs elliptical 구분
  • 이는 은하의 진화를 연구하기 위해 반드시 거쳐야하는 기본적인 과정임
• 은하의 역학적 특성 유추
  • 측광 자료로부터 은하의 각운동량/rotaitional parameter를 구하는 연구
• 제한된 관측 데이터만으로 전체 스펙트럼 예측 (분광관측)
  • 외계 행성의 대기 성분을 유추하거나 먼 은하의 화학적 성분을 파악하고자 할 때 많이 활용됨

필요한 데이터 종류

• multi-band photometry: u, g, r, i, z, J, H, K 등
  → 다양한 색(color) 정보 추출 가능 (ex. u-r, g-r)
• narrow-band photometry: Hα, [OIII] 등 emission line 중심
• morphological parameters: concentration, Sersic index 등
• 추가적 물리량: photometric redshift, stellar mass, SFR, dust, (NUV-r) 등

✉️ 윤용민 교수님의 답변

안녕하세요 반갑습니다.

제가 AI 또는 머신러닝과 관련된 분야는 잘모르니 천문학 분야에서 제가 아는 범위 내에서 말씀드리겠습니다.

1. 천문학에서 데이터 부족 문제

보내주신 링크의 논문은 photometric redshift를 멀티모달 머신러닝으로 구하는 것입니다. 스펙트럼 자료는 얻기까지 시간과 비용이 더 많이 소모되기 때문에 만약 값싸고 빠르게 얻을 수 있는 측광(이미지) 데이터만으로도 정확도가 높은 적색이동(redshift)을 구할 수 있으면 상당히 연구에 도움이 됩니다.

비슷한 사례로 생각나는 것은, seeing에 의한 이미지의 블러링 효과가 있습니다.

일반적으로 지상망원경에서 찍은 관측 이미지는 빛이 대기를 통과하여 망원경까지 올 때 여러 대기현상에 의해 블러링이 됩니다(seeing effect). 그렇기 때문에 일반적으로 우주망원경보다 지상망원경이 해상도가 낮습니다. 즉 고해상도의 정보가 손실/누락되어 저해상도의 이미지만 얻을 수 있는 것입니다.

2.

천문학적 문제 해결을 위한 데이터 요구사항

매우 정확한 적색이동 값을 측정하려면 스펙트럼이 필요하듯이 seeing effect에 의해 손실된 고해상도의 정보는 우주망원경(허블우주망원경 등)으로 관측한 고해상도 이미지로 극복할 수 있습니다. 즉 비싸고 얻기 어려운 관측자료(우주망원경자료)는 값싸고 얻기 쉬운 관측자료(지상망원경자료)가 누락할 수 밖에 없는 고해상도 정보를 가지고 있습니다.

3. 관련 연구 자료 추천

만약 고해상도 이미지와 저해상도 이미지가 동시에 있는 천체들 여러개를 기계학습을 한다면, 고해상도 이미지가 존재하지 않는 천체의 저해상도 이미지만을 가지고 고해상도의 이미지로 복구를 하거나 고해상도 정보를 추정하는 방법을 개발하는 연구를 할 수 있을 듯 싶습니다.

관련 연구를 찾아보았는데 링크는 다음과 같습니다.

https://arxiv.org/abs/2311.00186

2103.09711

이외에 궁금한점 있으면 언제든지 연락주세요.

그리고 혹시 photometric redshift를 얻거나 고해상도 이미지를 복원하는 것 등등의 천문학 관련된 연구를 지속하신다면 저도 시간이 허락하는 한 돕고 싶습니다.

감사합니다.

윤용민 드림

핵심 요약

seeing에 의한 이미지 블러링 효과

• 지상 망원경에서 찍은 관측 이미지는 빛이 대기를 통과하여 망원경까지 올 때 여러 대기현상에 의해 블러링됨. 이에 우주망원경보다 지상망원경이 해상도가 낮음
• 이는 우주 망원경으로 관측한 고해상도 이미지로 보완 가능함
• 즉, 고해상도 이미지와 저해상도 이미지가 동시에 있는 천체들을 기계학습시켜 모델을 만든다면, 저해상도 이미지만으로 고해상도 이미지를 복구하거나 추정하는 것도 가능할 듯

---

✅세부 주제 리스트

교수님들께 자문받은 내용을 토대로 세부주제를 정리해보자면,

1. 저해상도 지상망원경 이미지로부터 고해상도 우주망원경 이미지 생성

지상망원경의 블러링(seeing effect)으로 손실된 고해상도 정보를 복원하는 연구. 저해상도 이미지(지상)와 고해상도 이미지(허블 등)를 함께 학습시켜, 고해상도 이미지가 없는 천체의 고해상도 정보 생성.

출처: 윤용민 교수님 메일 답변

2. 측광 데이터로부터 스펙트럼 형태(분광 데이터) 예측

다중 밴드 측광 데이터를 기반으로 전체 스펙트럼(연속적인 파장 분포) 형태를 예측. 고가의 분광 관측 없이 스펙트럼 기반 분석(적색이동, 금속함량 등)에 활용 가능

출처: 지웅배, 우종학 교수님 메일 답변

3. 측광 데이터로부터 photometric redshift 예측

제한된 밴드 수의 photometric 데이터에서 분광학 수준의 정밀도로 적색이동을 예측. 다양한 모달(색, 형태, 위치 등)을 결합한 멀티모달 학습

출처: 황호성 교수님 메일 답변

4. 측광학적 특성을 이용한 은하의 역학적 특성 예측 (ex. SFR, Stellar Mass)

측광 자료로부터 은하의 각운동량/rotaitional parameter를 구하는 연구

출처: 지웅배 교수님 메일 답변

5. 은하 형태 자동 분류 연구를 위한 데이터 수집 과정에서의 누락 데이터 생성

측광 자료를 기반으로 spiral vs elliptical 구분하기 위해 필요한 데이터 중 누라가 데이터 생성

출처: 지웅배 교수님 메일 답변

6. 우주과학 데이터 질 저하 복원

우주과학 분야 데이터에서 누락된 구간을 주변 데이터로부터 보간하거나 생성.

ex) 우주과학 또는 행성 탐사에서 고정 이미지(표면 관측)와 시계열 센서 데이터(입자, 자기장 등)를 결합하여 누락된 모달리티(예: 특정 센서 값) 생성.

출처: 김경찬 교수님 메일 답변