👽 졸업 논문 ( 19 ) - 논문 분석 : Galaxy mergers in Subaru HSC-SSP: a deep representation learning approach for identification and the role of environment on merger incidence

 

 

 

🌌 Galaxy mergers in Subaru HSC-SSP: a deep representation learning approach for identification and the role of environment on merger incidence

은하 병합 여부 분류 

https://arxiv.org/pdf/2309.15539

 

 

중요한 부분만 하겠움...

 

 

0.  Abstract

 

Zoobot이란?

Zoobot(Walmsley et al. 2023)은 공개된 사전학습(pretrained) 딥러닝 모델로, 은하 형태 분류(galaxy morphology classification) 문제에 맞게 미세 조정(fine-tuning) 하여 사용할 수 있습니다.

 

초기 학습 데이터

• 초기 Zoobot 모델은 Galaxy Zoo DECaLS(GZ DECaLS) 프로젝트의 데이터와 라벨을 기반으로 학습되었습니다.
• GZ DECaLS는 자원봉사자들이 시각적으로 은하를 분류한 프로젝트로, DECaLS(Deep Energy Camera Legacy Survey) 이미지 데이터를 사용합니다.
• DECaLS 이미지는 이전 Galaxy Zoo 프로젝트에서 사용된 이미지(SDSS 등)보다 해상도와 깊이(노출 수준)가 뛰어남.

구분	SDSS(GZ2 사용)	DECaLS
깊이	r = 22.7 mag	r = 23.6 mag
시상	1.4″	< 1.3″
해상도	0.396″/pixel	0.262″/pixel

• 이러한 고품질 이미지를 통해 표면 밝기가 낮은 병합 구조도 탐지 가능하며, Zoobot이 사용하는 이미지와 훈련·예측에 사용하는 이미지 깊이가 유사하다는 점도 장점입니다.

---

분류된 은하 특징

GZ DECaLS 데이터셋에서 자원봉사자들은 다음과 같은 은하 구조적 특징들을 시각적으로 분류했습니다:

• 바(bar)
• 벌지(bulge)
• 나선팔(spiral arms)
• 병합 여부(merger indicators) 등

총 31만 개 이상의 은하에 대해 약 750만 개의 분류 결과가 수집되었으며, 이 데이터를 기반으로 **깊은 표현 학습 모델(deep representation learning model)**이 학습되었습니다.

이 모델은 자원봉사자들의 신뢰도 높은 분류 결과와 비교했을 때 약 99%의 정확도를 보여주었습니다.

---

Zoobot의 일반화 능력

• Zoobot은 학습하지 않은 새로운 태스크(예: 유사 은하 탐색, 이상 탐지)에서도 성공적으로 활용 가능하다는 결과가 있습니다.
• 모델 구조를 바꾸지 않고도 다양한 형태 분류 문제에 범용적으로 적용할 수 있음을 보여줍니다.

---

미세 조정(fine-tuning) 방식

• 미세 조정은 사전학습 모델을 다른 태스크에 맞게 적은 양의 데이터로 재학습시키는 기술입니다.
• 방법:
  1. 사전학습된 모델의 ‘head’ (출력 계층) 제거
  2. 기존 레이어(base)는 고정(freeze)
  3. 새로운 태스크에 맞는 ‘new head’를 추가하여 학습

이 방식은 처음부터 모델을 학습시키는 것보다 훨씬 적은 학습 데이터로도 높은 정확도를 얻을 수 있습니다.

---

🔹 미세 조정의 효과

• Walmsley et al. (2022b)의 연구에 따르면:
  • 약 1000개의 학습 샘플만으로도 from-scratch 학습보다 더 높은 정확도를 얻을 수 있습니다.
  • 일반 이미지 데이터셋 (예: ImageNet)으로 학습된 모델보다, **Zoobot(은하 전용으로 학습된 base)**을 사용하는 것이 정확도가 더 높음을 보였습니다.

 

2.2. 시뮬레이션 이미지를 활용한 Zoobot 미세 조정

2.2.1. 학습 데이터

분류기를 학습하기 위해서는 이미지 데이터와 해당 이미지에 대한 정답 레이블(merger 또는 non-merger) 이 필요합니다. 본 연구에서는 TNG50 시뮬레이션으로부터 생성된 HSC-SSP 합성 이미지를 이용해 병합(galaxy merger) 여부가 명확히 정의된 데이터를 사용합니다. 시뮬레이션을 이용하면 관측으로는 알 수 없는 정보(예: 은하 병합 시점이나 병합 특성, 질량비 등)에 접근할 수 있다는 장점이 있습니다.

---

2.2.2. IllustrisTNG50

병합 및 비병합 은하 샘플은 IllustrisTNG라는 대규모 우주론적 마그네토-유체역학 시뮬레이션 데이터를 사용하여 구성됩니다. 해당 시뮬레이션은 AREPO 코드로 수행되며, 별의 형성 및 진화, 블랙홀 성장, 자기장, 피드백, 냉각 등을 포함한 복합적인 은하 형성 모델을 사용합니다.

TNG 시뮬레이션은 TNG50, TNG100, TNG300 세 가지 버전으로 존재하며, 본 연구에서는 가장 높은 해상도를 제공하는 TNG50 데이터를 사용합니다. 이는 50 Mpc50\,\text{Mpc}50Mpc 상자 안에 2×216032 \times 2160^32×21603개의 입자를 포함합니다.

이미지 생성 과정:

1. SKIRT라는 몬테카를로 복사 전달 코드를 통해 HSC grizy 밴드의 합성 이미지를 생성.
2. 각 은하에 대해 입자 데이터를 기반으로 SED(스펙트럼 에너지 분포)를 모델링:
   • 10 Myr 이상: Bruzual & Charlot (2003), Chabrier IMF 사용
   • 10 Myr 이하: MAPPINGS III 코드 사용 (HII 영역 및 포토디소시에이션 영역 포함)
3. 먼지 모델링: TNG는 먼지를 직접 추적하지 않기 때문에, Rémy-Ruyer et al. (2014)의 금속도 기반 먼지 질량 비율 모델을 사용.
4. RealSim 도구를 이용하여:
   • HSC 이미지에 은하 삽입 위치 및 밝기 보정
   • HSC의 해상도로 재조정
   • PSF 적용 및 최종 HSC-SSP 이미지로 삽입

해당 이미지들은 실제 HSC 관측 이미지와 매우 유사한 시각적 품질을 보여줍니다. 연구에서는 스냅샷 78, 84, 91 (각각 z=0.3,0.2,0.1z = 0.3, 0.2, 0.1z=0.3,0.2,0.1)에서 생성된 합성 이미지를 사용하며, 항성 질량 log⁡(M∗/M⊙)>9 조건을 만족하는 은하만 포함됩니다.

---

2.2.3. 병합 및 비병합 은하 선정

• 병합 은하: 시뮬레이션 상에서 은하가 병합한 시점(과거 또는 미래)이 기준입니다. 병합 이벤트는 두 개의 halo가 하나로 합쳐지는 시점을 의미합니다.
  • 병합 특징이 관측 이미지에 드러나는 시간(관측 가능 시간)은 다양하며, Lotz et al.의 연구에 따르면 보통 0.2~1 Gyr로 제시됩니다.
  • 본 연구에서는 병합 전후 0.5 Gyr 이내의 은하를 병합 은하로 정의합니다.
  • 다양한 질량비의 병합(major < 1:4, minor < 1:10, mini < 1:20)을 포함하며, 총 291개의 병합 은하를 사용합니다.
• 비병합 은하: 시뮬레이션 상에서 과거 및 미래 병합 시점이 3 Gyr 이상 떨어진 은하로 선정하여 병합 흔적이 관측되지 않도록 합니다.
  • 병합 은하와 동일한 snapshot에서, 항성 질량이 0.1 dex 이내로 유사한 은하를 매칭하여 클래스 간 편향을 제거합니다.
  • 병합 291개, 비병합 291개의 은하를 사용하여 균형 잡힌 학습 데이터를 구성합니다.
• 모든 은하는 4가지 시점(라인 오브 사이트)에서 SKIRT를 통해 이미지화되어, 병합과 비병합 각각 약 1200장 정도의 gri 합성 이미지가 생성됩니다.
• 이미지 전처리: 각각의 은하 이미지를 중심으로 10× Sersic 반지름만큼 잘라내고, 300×300 픽셀로 리사이즈합니다.

---

2.2.4. 학습 절차

• 기존 Zoobot 모델의 ‘head’ (최종 출력 계층)를 제거하고, ‘base’ 모델을 고정(freeze)한 상태에서 학습을 진행합니다.
• Zoobot의 자세한 구조는 Walmsley et al. (2022a)에서 확인할 수 있습니다.
• 병합 여부만 이진 분류(merger: 1, non-merger: 0)하며, 병합 유형(질량비, 시점 등)은 구분하지 않습니다.