Stellar Density Classification and Regression for CSST Multi-color Imaging Using Deep Learning

기술 요약: 딥러닝을 활용한 CSST 다색 영상에 대한 항성 밀도 분류 및 회귀

문제 제기
중국 우주 정거장 관측 망원경 (CSST) 은 은하계 외부의 빈 공간 (수 개 소스) 에서부터 혼잡한 은하계 중심 (>10⁵ 개 소스/검출기) 에 이르기까지 전례 없는 동적 범위의 항성 밀도를 매핑하도록 설계되었습니다. 이러한 이질적인 데이터를 단일 범용 소스 추출 파이프라인으로 처리하면 상당한 체계적 불확실성이 발생합니다. SExtractor 와 같은 표준 알고리즘은 소스 중첩과 미해결 소스에 의한 배경 잡음으로 인해 혼잡한 영역에서 정확도가 낮아지고 천문 측정 불확실성이 증가하는 문제가 있습니다. 반면, DAOPHOT 과 같은 특수 반복 도구는 계산 비용이 과도하게 많이 들며 희소한 영역에서는 불안정합니다. CSST 의 연속 관측 모드는 필연적으로 이러한 다양한 밀도 영역을 통과하므로, 광도 및 천문 측정의 충실도를 보장하기 위해 적응형 접근 방식이 필요합니다.

방법론
이러한 과제를 해결하기 위해 저자들은 적응형 데이터 감소를 위해 설계된 계층적 2 단계 딥러닝 프레임워크를 제안합니다. 이 시스템은 밀도 특성을 소스 추출과 분리하여 하위 알고리즘이 특정 항성 밀도 환경에 최적화되도록 합니다.

1. 데이터 준비:

   • 시뮬레이션: 본 연구는 CSST 시뮬레이션 소프트웨어로 생성된 고충실도 픽셀 단위 모의 데이터를 활용하며, 25 deg²의 하늘 영역과 은하계 중심, 포낙스 (Fornax), 스컬프터 (Sculptor) 왜소 구형 은하 등 다양한 대표 장면을 포함합니다.
   • 전처리: 원래 9232×9216 픽셀 이미지는 마스크 인식 표준화 파이프라인을 통해 처리됩니다. 무효 픽셀 (NaN, 무한대) 은 0 으로 채워지고 유효 픽셀은 표준화됩니다. 이미지는 224×224 픽셀로 크기 조정되어 데이터 공백에 대한 공간 정보를 보존하는 2 채널 텐서 (이미지 + 이진 마스크) 를 생성합니다.
   • 증강: 학습 세트의 다양성을 높이고 과적합을 줄이기 위해 수평 반전, 이산 회전, 무작위 색상 점핑을 사용하여 학습 데이터를 4 배 확장합니다.

2. 1 단계: 밀도 분류 (ResNet-34):

   • 목적: 이미지를 0 에서 >10⁵ 개에 이르는 6 개의 이산 밀도 클래스로 분류합니다.
   • 아키텍처: 2 채널 입력을 수용하도록 수정된 ResNet-34 모델을 사용합니다. 잔차 연결을 사용하여 기울기 소실을 완화하고 전역 평균 풀링을 사용하여 과적합을 줄입니다.
   • 학습: 모델은 Cross-Entropy 손실 함수와 경사도 클리핑 및 조기 종료를 적용한 AdamW 옵티마이저를 사용하여 학습됩니다.
   • 선정: 테스트된 아키텍처 (VGGNet-16, DenseNet-121, AlexNet, Baseline CNN) 중 ResNet-34 가 높은 정확도 (98.83%) 와 계산 효율성 (2.77 ms/이미지) 의 최적 균형을 제공하여 DenseNet 의 메모리 병목 현상과 경량 모델의 낮은 정확도를 피하고 선택되었습니다.

3. 2 단계: 밝은 별 회귀 (ResNet-50):

   • 목적: 천문 측정 보정에 중요한 매개변수인 장 내 밝은 별 (<23.5 등급) 의 정확한 개수를 예측합니다.
   • 아키텍처: ImageNet 에서 사전 학습된 후 미세 조정된 더 깊은 ResNet-50 모델이 회귀 엔진으로 사용됩니다. 분류 헤드는 드롭아웃과 배치 정규화를 갖춘 커스텀 회귀 헤드로 (512-256-128-1 뉴런) 교체됩니다.
   • 학습: 계층을 점진적으로 잠금 해제하는 단계별 학습 접근 방식이 사용됩니다. 별 개수의 광범위한 동적 범위를 처리하기 위해 MSE, MAE, 상대 MSE 를 통합한 커스텀 결합 손실 함수가 적용됩니다. 라벨은 학습을 안정화하기 위해 로그 변환 ($y' = \log_{10}(1+y)$) 을 거칩니다.

주요 기여

• 계층적 프레임워크: 본 논문은 분류를 "의사 결정 게이트"로 사용하여 데이터를 특수 처리 분기로 라우팅하고 동시에 회귀를 통해 보정 품질을 평가하는 2 단계 파이프라인을 소개합니다.
• 적응형 처리: 밀도 추정과 소스 추출을 분리함으로써, 모델은 광도 및 천문 측정 알고리즘이 지역 항성 밀도에 동적으로 매칭되도록 하여 혼잡한 영역과 희소한 영역 모두에서 체계적 오차를 완화합니다.
• 모델 최적화: 본 연구는 여러 CNN 백본을 엄격하게 평가하여 분류 작업에 대해 ResNet-34 가 정확도와 처리량 간의 가장 좋은 절충안을 제공하며, ResNet-50 이 정밀한 회귀에 필요한 용량을 제공함을 입증했습니다.
• 동적 범위에 대한 강건성: 이 프레임워크는 일반적으로 표준 파이프라인을 붕괴시키는 5 차 동적 범위 (0 에서 >10⁵) 의 항성 밀도 범위를 성공적으로 처리합니다.

결과

• 분류 성능: ResNet-34 분류기는 전역 정확도 **98.83%**를 달성했습니다. 이는 극단적인 영역에서 탁월한 성능을 보여주어 빈 영역 (Class 0) 에서는 100% 정밀도/재현율을, 가장 혼잡한 영역 (Class 5) 에서는 99.62% 를 기록했습니다. 오분류는 주로 클래스 경계 (예: 1,000 개 소스 임계값 근처) 에서 발생하는 "소프트 오류"였으며, 이는 하위 파이프라인 라우팅에 미미한 영향을 미칩니다.
• 회귀 성능: ResNet-50 회귀 모델은 로그 스케일에서 평균 절대 오차 (MAE) 0.0824 dex, RMSE 0.1333 을 달성했습니다. 이는 약 1.21 (±21%) 의 평균 예측 오차 계수로 변환됩니다. 모델은 $R^2$ 점수 0.9076 을 달성하여 밝은 별 개수 분산의 90% 이상을 포착함을 나타냅니다.
• 효율성: 추론 시간은 매우 효율적이며, 분류 모델은 약 2.77 ms, 회귀 모델은 약 0.1 ms 에 이미지를 처리하여 CSST 데이터 감소 파이프라인에 실시간 통합하기에 적합합니다.

의의 및 주장
저자들은 이 프레임워크가 지역 항성 밀도에 기반하여 올바른 감소 알고리즘이 적용되도록 함으로써 CSST 데이터 제품의 충실도와 균질성을 크게 향상시킨다고 주장합니다. 의사 결정 게이트 역할을 함으로써 분류 단계는 혼잡한 영역에서 표준 알고리즘의 실패를 방지하고, 빈 공간에서 특수 도구를 사용하는 계산 낭비를 피합니다. 회귀 단계는 천문 측정 보정을 위한 신뢰할 수 있는 지표를 제공하여 파이프라인이 참조 소스가 부족한 장면을 플래그할 수 있게 합니다.

본 논문은 이 작업을 이질적인 항성 환경에서 작동해야 하는 미래의 대규모 천구 탐사를 위한 기초 모듈로 위치시킵니다. 현재 모델은 시뮬레이션 데이터로 학습되었지만, 저자들은 이 프레임워크가 시뮬레이션과 관측 간의 격차를 해소하기 위해 실제 CSST 시운전 데이터로 미세 조정될 수 있는 강건하고 자동화된 계산 효율적인 기반을 제공한다고 주장합니다. 이 접근 방식은 정적이고 일률적인 탐사 전략이 도입하는 체계적 편향에 대한 해결책으로 제시됩니다.