👽 졸업 논문 ( 6 ) - 논문 분석 : Retrieving Internal Kinematics of Galaxies with Deep Learning Using Single-band Optical Images

 

 

 

Retrieving Internal Kinematics of Galaxies with Deep Learning Using Single-band Optical Images

https://iopscience.iop.org/article/10.3847/2515-5172/abc1db

Retrieving Internal Kinematics of Galaxies with Deep Learning Using Single-band Optical Images - IOPscience

 

 

✨ 주제

광학 이미지를 통해 은하의 내부 속도 예측

기존의 은하 내부 속도 예측은 분광학적 관측을 통해서만 했지만, 분광학적 관측은 시간도 비용도 많이 소요되기 때문에

이 연구에서는 광학적 관측을 통해 얻은 광학 이미지를 통해 은하 내부 속도를 예측하고자 한다

 

 

🌱 주요 개념

 

 은하의 구조 종류

1.  타원은하(Elliptical Galaxy)
둥글거나 타원형 모양을 띠며 별들이 무작위한 방향으로 움직임.
나선팔(Spiral Arm)이 없으며, 주로 오래된 별들로 구성됨.
내부 속도 분포가 랜덤하게 퍼져 있어 속도 분산(σ, velocity dispersion)이 주요한 동역학적 특징.

2.  나선은하(Spiral Galaxy)
중심에 볼록한 팽대부(Bulge)와 나선팔을 가짐.
회전 운동이 주요 특징이며, 별과 가스가 원반을 따라 움직임.
회전 속도(𝑉, rotational velocity)가 내부 운동을 설명하는 중요한 요소.은하 중심에서는 속도 분산이 크지만, 바깥쪽으로 갈수록 회전 운동이 지배적.

3.  불규칙은하(Irregular Galaxy)
특정한 형태 없이 불규칙한 모양을 가짐.
은하 병합 또는 상호작용으로 인해 구조가 흐트러진 경우가 많음.
내부 속도 구조가 불규칙하며, 속도 분산과 회전 속도가 복잡하게 나타남.

 

 

은하 구조 분류에 필요한 정보

1.  광학 이미지
-  SDSS, 허블 우주망원경 등의 관측 데이터를 통해 은하의 형태 분석.
-  나선팔이 있는지, 중심 팽대부의 크기, 원반 구조 등을 확인.
-  Galaxy Zoo 프로젝트(GZ2)처럼 대규모 데이터를 이용해 사람 또는 AI가 분류 가능.

2.  운동학적 데이터 (Kinematic Data)
-  별과 가스의 회전 속도(rotational velocity) 및 속도 분산(velocity dispersion, σ) 측정.
-  MaNGA(Mapping Nearby Galaxies at Apache Point Observatory)와 같은 적분장 분광(IFS, Integral Field. Spectroscopy) 데이터 활용.
-  회전 운동이 지배적인지(나선은하), 무작위 운동이 강한지(타원은하) 분석.

3.  스펙트럼 데이터
-  특정 스펙트럼선(예: Hα, OIII)을 분석하여 가스의 운동과 은하의 형성 과정 연구.
-  적색편이(Redshift)를 통해 거리 및 진화 상태 파악.
-  별의 연령 및 금속 함량은하의 색(color)과 스펙트럼을 분석하여 별의 연령과 금속 함량을 추정.
-  오래된 별이 많으면 타원은하, 젊은 별과 가스가 많으면 나선은하일 가능성이 높음.

 

 

📚 연구 목적

광학 이미지를 이용해 은하의 중심 속도를 예측해내고, 이를 통해 은하의 종류를 분류하는 것
-  CNN을 통해 은하 이미지에서 은하 중심 속도 추출

 

📌 사용 데이터

SDSS 데이터 (광학 i-밴드 이미지) : 광학 이미지 데이터 (은하 중심 속도를 추출해낼 데이터)
MaNGA 분광 데이터 (속도 분산 및 회전 속도) : 실제 은하 중심 속도 데이터
은하의 형태 분류: Galaxy Zoo 2 (GZ2) 프로젝트를 활용하여 초기형(elliptical, lenticular)과 후기형(spiral)으로 분류

 

📌 AI 모델 구성

CNN(Convolutional Neural Network) 기반 회귀 모델 : 은하 이미지에서 내부 운동학적 특성을 추출
-  첫 번째 부분: 합성곱 레이어를 통해 이미지의 특징 추출
-  두 번째 부분: 완전 연결(fully connected) 레이어를 통해 최종 속도 예측
-  손실 함수 최적화: 100 epoch 동안 학습 진행

 

📑 연구 결과

속도 분산(velocity dispersion, σ) 예측 성능
-  MAE(평균 절대 오차): 29 km/s (20% 오차)
-  실제 속도 분산과 예측값의 관계식 : σactual=0.98×σpredict+9.55σactual​=0.98×σpredict​+9.55
-  오차 범위: ±29 km/s

회전 속도(rotational velocity, V) 예측 성능
-  MAE(평균 절대 오차): 69 km/s (43% 오차)
-  실제 회전 속도와 예측값의 관계식: Vactual=0.94×Vpredict+16.55Vactual​=0.94×Vpredict​+16.55
-  오차 범위: ±64 km/s

결론
은하의 광학 이미지(i-밴드)만으로 내부 속도를 상당한 정확도로 예측 가능함을 확인속도 분산(σ)에 대한 예측 정확도가 회전 속도(V)보다 높음

 

 

---

 

 

💼 내 생각

비교적 질이 떨어지는 광학적 데이터를 통해 분광학적 데이터를 추출하는 게 요새 트렌드인 듯하다

걱정은... 여기서 멀티모달 학습, 누락, 생성형 AI 키워드를 어떻게 살려낼 것인가인데ㅠ

 

우선 광학 이미지 -> 분광학 데이터 추출 모델을 학습시킬 때

실제 분광학 데이터(수치) + 광학 이미지에서 추출한 데이터(이미지) 라서 멀티모달리티 학습을 끌어낼 수 있을 것 같다

 

데이터의 질이 떨어지는 게 누락이라고 할 수 있으려남...

생성형 AI는 어떻게 사용하지?

광학 이미지에서 분광학적 데이터를 추출할 때 이 논문에서는 CNN을 사용했는데 GAN을 사용해볼까??