Towards optimal photometric calibration of digital astronomical plates with deep learning

밤하늘을 거대하고 오래된 도서관이라고 상상해 보세요. 백 년이 넘는 시간 동안 천문학자들은 디지털 카메라를 사용하지 않고, 별빛을 포착하기 위해 특수한 화학 필름이 코팅된 유리판을 사용했습니다. 이 판들은 수십 년, 혹은 한 세기 전의 우주를 담고 있는 타임캡슐과 같습니다. 오늘날 과학자들은 이 역사적인 데이터를 활용해 별이 시간이 흐름에 따라 어떻게 변하는지 추적하기 위해 수백만 장의 이 판들을 컴퓨터로 스캔했습니다. 하지만 문제가 하나 있습니다. 이 오래된 사진들은 다루기가 까다롭습니다. 빛을 직선적이고 예측 가능한 방식으로 측정하는 현대의 디지털 카메라와 달리, 이 오래된 판들은 빛에 반응하는 방식이 구불구불하고 예측 불가능합니다. 이 판들은 별이 얼마나 밝은지, 색은 어떤지, 그리고 유리판의 정확히 어디에 위치하는지에 따라 "혼란"을 느낍니다. 만약 이러한 특이점들을 수정하지 않고 이 오래된 사진을 이용해 별의 밝기를 측정하려고 한다면, 당신의 수치는 틀리게 될 것이고, 이 "도서관"은 다소 엉망이 될 것입니다.

여기서 한 팀의 천문학자들이 새로운 아이디어와 함께 등장했습니다. 그들은 이 오래된 사진들을 고치는 기존의 방식이 마치 실의 한쪽 끝만 잡아당겨 매듭을 풀려는 것과 같다는 사실을 깨달았습니다. 그들에게는 새로운 도구가 있었습니다. 바로 '뉴럴 네트워크(신경망)'라고 불리는 일종의 인공지능입니다. 이 네트워크를 단 하나의 단서만 보는 것이 아니라 밝기, 색상, 위치라는 모든 단서가 어떻게 함께 뒤틀리고 회전하는지를 통찰하는 매우 똑똑한 탐정이라고 생각해 보세요. 이 탐정이 오래된 사진 속의 숨겨진 패턴을 찾아내도록 가르침으로써, 팀은 이전보다 훨씬 더 잘 데이터를 정화하여 이 우주의 타임캡슐이 가진 진정한 잠재력을 끌어낼 수 있었습니다.

오래된 "레시피"의 문제점

오랫동안 천문학자들은 이 디지털화된 판들의 오류를 수정하기 위해 MYX25라고 불리는 방법을 사용해 왔습니다. 여러분이 케이크를 굽고 있고, 레시피가 세 가지 요소, 즉 설탕의 양(밝기), 밀가루의 종류(색상), 그리고 주방의 온도(판 위의 위치)를 조절해야 한다는 것을 알고 있다고 상상해 보세요. 기존의 방법은 이 세 가지 재료를 완전히 별개의 것으로 취급했습니다. 그것은 "좋아, 설탕 부분을 먼저 고치고, 그다음 밀가루 부분을 고치고, 마지막으로 온도 부분을 고치자"라고 말하는 식이었습니다.

하지만 문제는 현실 세계에서 이 요소들이 단독으로 움직이지 않는다는 점입니다. 논문에 따르면, 이 오래된 판의 "온도"(이미지 품질)는 종종 얼마나 "달콤한지"(밝은지)에 따라 변하는 경우가 많습니다. 밝은 별은 판의 어디에 있느냐에 따라 다르게 보일 수 있고, 희미한 별은 다른 위치에서 다르게 보일 수 있습니다. 기존의 레시피는 이러한 연결 고리를 보지 못했습니다. 과학자들이 기존의 방법을 사용한 후 남은 찌꺼기(오류)를 살펴보았을 때, 그들은 기묘한 고리 모양의 패턴을 발견했습니다. 그것은 마치 케이크의 중심은 완벽하지만 가장자리에는 이상한 물결이 치고 있는 것 같았으며, 그 물결은 반죽에 설탕이 얼마나 들어있는지에 따라 변했습니다.

저자들은 이를 증명하기 위해 컴퓨터 시뮬레이션을 실행했습니다. 그들은 별의 밝기에 따라 이미지 품질이 변하는 가짜 데이터를 만들었습니다. 이 "별개의 재료" 방식을 사용했을 때, 오류는 실제의 지저한 사진들과 정확히 일치하게 나타났습니다. 이는 기존의 방식이 밝기와 위치가 서로 친밀한 관계, 즉 결합되어 있거나 묶여 있다는 사실을 놓치고 있음을 보여주었습니다.

새로운 슈퍼 탐정: MFF-Net

이를 해결하기 위해 팀은 MFF-Net(다중 특징 융합 네트워크)이라는 새로운 시스템을 구축했습니다. MFF-Net은 밝기, 색상, 위치를 별개의 재료로 취급하는 대신, 범죄 현장 전체를 한눈에 파악하는 탐정처럼 이 모든 것을 한꺼번에 살펴봅니다.

MFF-Net을 하늘의 완벽한 초상화를 그리도록 훈련받는 숙련된 화가라고 생각해 보세요. 이 화가는 모든 별에 대해 네 가지 정보를 제공받습니다:

1. 판 위에 보이는 별의 밝기 (기기 밝기)
2. 별의 색상
3. 별의 위치 (x 및 y 좌표)

이 네트워크는 단순히 추측하는 것이 아니라 학습합니다. 공간을 이해하기 위해 "푸리에 인코딩(Fourier encoding)"이라는 특별한 기술을 사용합니다. 여러분이 언덕의 모양을 설명하려고 한다고 상상해 보세요. 단순히 "가운데가 높다"라고 말할 수도 있지만, 그것은 너무 단순합니다. 혹은 작은 굴곡, 완만한 경사, 그리고 큰 곡선들을 한꺼번에 설명할 수도 있습니다. MFF-Net은 하늘에 대해 이 작업을 수행하며, 오류의 작은 굴곡과 큰 곡선을 동시에 학습합니다. 네트워크는 구석에 있는 밝은 별이 중심에 있는 밝은 별과는 다른 교정이 필요할 수 있다는 것을 배우며, 규칙을 직접 전달받지 않고도 정확히 어떻게 수정해야 하는지를 스스로 알아냅니다.

결과: 우주 도서관의 정화

팀은 이 새로운 탐정을 1,200장의 디지털화된 중국 천문학 판에 테스트했습니다. 결과는 인상적이었습니다.

• 정밀도: 기존 방식(MYX25)의 오차 범위는 0.11에서 0.26 등급(밝기 측정 단위)이었습니다. 새로운 MFF-Net 방식은 이를 0.08에서 0.18 등급으로 좁혔습니다. 이는 상당한 개선이며, 데이터를 훨씬 더 선명하게 만듭니다.
• 밝은 별 보너스: 가장 큰 성과는 가장 밝은 별들을 대상으로 한 것이었습니다. 이 경우, 새로운 방식은 기존 방식보다 약 두 배 더 뛰어났으며, 오차를 절반으로 줄였습니다. 이는 밝은 별들이 특정 유형의 천문학에서 매우 중요하지만, 이전에는 정확하게 측정하기 가장 어려웠던 대상이기 때문에 매우 중요합니다.
• 고리의 소멸: 과학자들이 MFF-Net을 사용한 후의 오류 지도를 살펴보았을 때, 그 기묘한 고리 모양의 패턴은 사라졌습니다. 오류는 이상한 모양으로 뭉쳐 있는 대신, 마치 매끄러운 종이처럼 고르게 퍼져 있었습니다.

논문은 이 새로운 방법이 관측 지점에 따라 이미지 품질이 크게 변하고 별의 밝기에 따라 변화가 심할 때 가장 효과적이라고 제안합니다. 참조 별이 이미 수천 개 있는 판의 경우 (기존 방식이 이미 준수한 성능을 보였기 때문에) 개선 폭이 작아 보일 수 있지만, 새로운 시스템은 밝은 별을 다룰 때 여전히 빛을 발합니다.

이것이 중요한 이유

이것은 단순히 더 예쁜 사진을 만드는 문제가 아닙니다. 이것은 과거를 미래를 위해 유용하게 만드는 일입니다. MFF-Net으로 이 오래된 판들을 정화함으로써, 천문학자들은 이제 100년 전의 데이터를 이전보다 훨씬 더 신뢰할 수 있게 되었습니다. 그들은 새로운 망원경이 만들어지기를 기다리지 않고도, 이 역사적인 스냅샷을 사용하여 별이 어떻게 진화하는지, 은하가 어떻게 이동하는지, 그리고 우주가 시간이 흐름에 따라 어떻게 변하는지를 연구할 수 있습니다. 저자들은 이 새로운 프레임워크를 사용하여 중국의 천문학 판 목록을 업데이트하고, 궁극적으로 전 세계의 다른 역사적 기록물에도 적용하여, 먼지 쌓인 유리판을 우리 우주의 역사를 들여다보는 고정밀 창으로 바꿀 계획입니다.