Machine Learning in Application to Automatic Noise Processing of Solar Spectrograms

기술 요약: 태양 스펙트로그램의 자동 노이즈 처리에 적용된 머신러닝

문제 정의
림 태양 플레어(limb solar flares)와 같은 희귀한 태양 이벤트의 고유한 분광 측정값은 종종 사진판(photoplates)에 기록되며, 이는 대체 불가능한 역사적 데이터 역할을 한다. 이 판들은 주로 투과형(transmissive) 및 반사형(reflective) 스캐닝을 포함한 다양한 방식으로 디지털화된다. 투과형 스캔은 일반적으로 정확하지만, 반사형 스캔은 추가적인 반사로 인한 "헤일로(halo)"와 같은 아티팩트, 흐림(blurring) 및 이동(shifting) 현상으로 인해 어려움을 겪는 경우가 많다. 반대로, 두 방식 모두 스크래치나 먼지 입자와 같은 물리적 불순물에 취약하며, 이는 전통적으로 수동 검사와 제외 과정을 필요로 한다. 문제는 이러한 서로 다른 디지털화 형식을 교차 검증하기 위해 쉽게 변환할 수 있는 방법이 부족하다는 점과, 귀중한 스펙트럼 정보를 버리지 않으면서 불순물을 탐지하고 제거할 수 있는 자동화되고 신뢰할 수 있는 방법이 부재하다는 것이다.

방법론
저자들은 이러한 과제를 해결하기 위해 합성곱 신경망(CNN) 접근 방식을 개발하였으며, 특히 1981년 7월 17일에 관측된 림 태양 플레어에 초점을 맞추었다. 본 연구는 8:17, 8:33, 9:02, 9:51 UT의 순간을 포착한 4개의 포토플레이트로부터 얻은 스펙트럼 선의 고해 resolution 그레이스케일 스캔을 활용하였다. 훈련 데이터셋은 8개의 스펙트럼 선의 스캔으로 구성되었으며, 테스트 세트는 특히 8:33 UT의 H$\gamma$ 선과 9:51 UT의 H$\beta$ 선을 활용하였다.

• 네트워크 아키텍처: PyTorch 프레임워크와 CUDA 가속을 사용하여 두 가지 별도의 CNN 모델을 설계하였다: 하나는 투과형 스캔을 반사형 스캔으로 변환하는 것("transmissive-to-reflective")이고, 다른 하나는 그 반대("reflective-to-transmissive")를 위한 것이다.
  • 아키텍처는 듀얼 스트림 설계를 채택한다. 한 스트림은 스펙트럼 자체를 재현하고, 다른 스트림은 "헤일로" 아티팩트의 추가 또는 제거를 처리한다.
  • "transmissive-to-reflective" 모델은 헤일로를 고려하기 위해 명시적인 시프트 블록(shift block)을 포함하여, 더 작은 커널 크기를 사용하고 성능을 개선할 수 있도록 설계되었다.
  • "reflective-to-transmissive" 모델은 명시적인 시프트 블록 없이 헤일로를 제거하는 복잡성을 처리하기 위해 더 큰 컨볼루션 커널(최대 60x60)을 사용한다.
  • 스캔 유형 간의 비선형 강도 관계를 모델링하기 위해 포인트와이즈 연산 블록(체인된 시그모이드 및 선형 변환)이 사용된다.
• 훈련 전략: 제한된 이미지 쌍의 수(훈련용 8개, 테스트용 2개)로 인해, 저자들은 점진적 검증 접근 방식(모델 최적화 $\rightarrow$ 훈련 $\rightarrow$ 테스트)을 채택하였다. 이는 짧은 훈련 실행 전 하이퍼파라미터(커널 크기, 시프트, 다운샘플링)를 변경하는 과정을 포함하며, 이후 200,000 에포크(epoch) 동안 단 한 번의 광범-한 훈련 실행을 수행하였다.
• 손실 함수(Loss Function): 손실 함수는 하위 99.9% 픽셀에 대해 계산된 픽셀 단위 차이의 제곱평균제곱근(RMS)이다. 이는 상위 0.1%의 손실(이상치)을 제외함으로써, 모델이 스크래치와 같은 불순물을 무시하고 오염되지 않은 대다수의 이미지를 집중적으로 학습하도록 한다.
• 최적화: 훈련은 10,000 에포크마다 RProp과 Adam 최적화 알고리즘을 교대로 사용하였다.

주요 결과

• 변환 정확도: CNN은 높은 충실도로 스펙트럼을 반사형 및 투과형 형식 간에 변환하는 데 성공하였다. "transmissive-to-reflective" 모델은 0.5% 미만의 총 손실을 달ach성하였고, "reflective-to-transmissive" 모델은 약 1%를 달성하였다. 모델은 스펙트럼 특징(방출 및 흡수 피크 모두)의 강도, 위치, 폭 및 형태를 보존하였다.
• 효율성: 연구 결과, 직접적인 모델을 훈련하는 것보다 "transmissive-to-reflective" 모델을 역전시켜 "reflective-to-transmissive" 변환을 수행하는 것이 유사한 정확도를 유지하면서도 계산적으로 훨씬 빠르다는 것을 발견하였다.
• 불순물 탐지: 모델에 의해 생성된 픽셀 단위 손실 맵은 불순물을 효과적으로 강조하였다. 스크래치나 먼지 입자가 있는 영역은 높은 손실 값을 나타낸 반면, 사진 유제(photoemulsion)의 매끄러운 배경은 낮은 손실 값을 나타냈다.
• 검증: 정규화된 손실에 대한 임계값 0.025를 사용한 자동 탐지와 9:51 UT의 H$\beta$ 선에 대한 수동 검사를 비교한 결과, 자동화된 방법이 50개의 뚜렷한 고손실 위치 중 30개를 식별하였다. 처음에 탐지되지 않은 20개의 위치 중, 재검사 시 모두 유효한 불순물로 확인되었다. 반대로, 수동으로 식별된 8개의 특징은 자동 임계값을 놓쳤으나 증폭된 손실 맵에서는 가시적이었으며, 이는 임계값이 더 높은 민감도를 갖도록 조정될 수 있음을 시사한다.

의의 및 주장
본 논문은 이 머신러닝 접근 방식이 다음과 같은 방식으로 독특한 태양 이벤트 스펙트로그램을 처리하는 실용적인 기술을 제공한다고 주장한다:

1. 분석 가능한 데이터 확장: 서로 다르게 디지털화된 스펙트럼 간의 변환을 가능하게 함으로써, 연구자들이 기존에 신뢰할 수 없다고 간주되었던 데이터(예: 스펙트로그램의 가장자리 또는 헤일로가 있는 반사형 스캔)를 활용할 수 있게 하여 사용 가능한 스펙트럼 선의 수를 늘린다.
2. 노이즈 제거 자동화: 반사형 및 투과형 스캔 간의 차이를 활용하여 불순물(스크래치, 먼지)을 탐지하는 과정을 자동화한다. 이는 데이터 무결성을 보장하기 위해 필요한 노동 집약적인 수동 검사 과정을 대체한다.
3. 데이터 복원: 손실 맵을 통해 오염된 픽셀을 식별함으로써, 저자들은 스펙트럼 라인 프로파일을 도출하는 데 사용되는 평균화 과정에서 이러한 특정 픽셀을 제외하는 프로토콜을 제안한다. 이는 오염된 전체 구간을 보간(interpolation)하는 데 따른 데이터 손실이나 가정 없이 프로파일 형태를 복원한다.

저자들은 본 연구가 특정 데이터셋(1981년 플레어)을 기반으로 하고 있지만, 이 방법론이 이미지 품질 개선, 노이즈 제거 및 해상도 향상을 위한 일반적인 분광학 분야에 적용 가능하다고 결론지었다.