Galaxy Morphology Classification: Uncertainty Modeling and Out of Distribution Detection

우주는 수십억 개의 은하들로 가득 차 있으며, 각 은하는 별, 가스, 먼지로 이루어진 거대한 섬과 같습니다. 거의 한 세기 동안, 천문학자들은 이 우주의 섬들을 그 형태에 따라 가족별로 분류해 왔습니다. 어떤 것들은 거대한 빛의 공처럼 매끄럽고 둥근 반면, 다른 것들은 휘감긴 팔을 가진 평평한 나선형을 띠기도 합니다. 형태학적 분류라고 알려진 이 과정은 단순히 목록을 만드는 작업이 아닙니다. 은하의 형태는 그 역사가 어떠했는지, 어떻게 형성되었는지, 그리고 시간이 흐르며 어떻게 변해왔는지에 대한 이야기를 담고 있습니다. 그러나 현대의 망원경이 전례 없는 명확성과 방대한 양으로 하늘의 이미지를 포착함에 따라, 은하의 수는 인간의 눈으로 하나하나 검토하기에는 너무나 많아졌습니다. 이에 발맞추기 위해 과학자들은 인공지능을 활용하여 컴퓨터가 이러한 형태를 자동으로 인식하도록 가르치고 있습니다. 하지만 한 가지 문제가 있습니다. 표준적인 컴퓨터 프로그램들은 종종 지나치게 확신에 차 있다는 점입니다. 컴퓨터가 이전에 본 적 없는 생소하거나 특이한 은하를 마주했을 때도, 여전히 기존의 범주 중 하나로 억지로 끼워 맞추며 확실하다고 주장할 수 있는데, 이는 희귀하거나 새로운 발견을 거짓된 확신의 벽 뒤로 숨겨버릴 위험이 있습니다.

인도 공과대학교 하이데라바드(IIT Hyderabad)의 연구팀은 컴퓨터가 은하를 더 똑똑하게 분류할 수 있는 방법을 구축함으로써 이 문제를 해결하고자 했습니다. 그들은 '분포 외(out-of-distribution)' 탐지라고 불리는 특정 과제, 즉 이미지가 알려진 그룹에 속하지 않는다는 것을 인식하는 능력에 초점을 맞췄습니다. 연구진은 다크 에너지 카메라 레거시 서베이(Dark Energy Camera Legacy Survey)에서 가져온 방대한 은하 이미지 모음집을 사용하여, 9가지 표준 은하 형태를 식별할 뿐만 아니라 스스로 확신이 없을 때 이를 인정할 수 있는 딥러닝 시스템을 훈련시켰습니다. 연구진은 세 가지 서로 다른 접근 방식을 테스트했습니다. 첫 번째는 기준으로 사용된 표준 방식이었습니다. 두 번째는 단순히 범주를 추측하는 대신, 은하의 특징이 알려진 그룹의 중심에서 얼마나 떨어져 있는지를 측정하는 새로운 기술을 도입했습니다. 세 번째는 이 거리 측정법을 동일한 이미지를 약간의 변형을 주어 컴퓨터의 뇌에 여러 번 통과시키는 방법과 결합하여, 시스템이 스스로의 불확실성을 가늠할 수 있도록 했습니다.

결과는 새로운 방식들이 표준 방식보다 훨씬 우수하다는 것을 보여주었습니다. 거리 기반 기술을 사용한 시스템은 특이한 은하를 포착하는 데 훨씬 더 뛰어났으며, 기존 형태를 97%의 정확도로 올바르게 식별하면서도, '알 수 없음'으로 올바르게 식별하는 능력이 기준 모델 대비 거의 90% 향상되었습니다. 결정적으로, 이 시스템은 겸손함을 배웠습니다. 분류하기 어렵거나 여러 유형이 혼합된 것처럼 보이는 은하를 마주했을 때, 시스템은 레이블을 강요하지 않았습니다. 대신, 그 은하가 알려진 형태 그룹의 중심에서 멀리 떨어져 있음을 보여줌으로써 불확실성을 신호했습니다. 이러한 동작은 단순히 아는 것을 세는 것이 아니라, 희귀하고 기이하며 이전에 보지 못했던 것을 찾아내는 것이 목표인 미래의 하늘 조사에서 매우 중요합니다.

또한 연구진은 거리 측정법과 다중 통과(multiple-pass) 기술을 결합했을 때 시스템이 더욱 신뢰할 수 있게 된다는 것을 발견했습니다. 이미지를 네트워크에 여러 번 통과시킴으로써, 컴퓨터는 각 통과 시마다 답변이 미세하게 변하는지 확인할 수 있었습니다. 만약 답변이 흔들린다면, 시스템은 자신이 모호한 대상을 다루고 있다는 것을 알 수 있었습니다. 이 접근 방식은 시스템의 신뢰도 점수 오차를 약 73% 줄였으며, 이는 컴퓨터가 확신한다고 말할 때는 진정으로 확신하는 것이고, 확신이 없다고 말할 때는 어려운 사례를 올바르게 식별하고 있음을 의미합니다. 이 연구는 컴퓨터가 유사성을 측정하는 방식을 확률 중심에서 기하학적 거리 중심으로 바꿈으로써, 익숙한 은하와 진정으로 새롭거나 이상한 은하 사이의 경계를 더 명확하게 만들 수 있음을 입증했습니다.

이 작업은 분류의 속도만을 높이는 것이 아니라, 전체 과정의 신뢰성을 변화시킵니다. 과거에는 자동화된 시스템이 희귀한 병합 은하를 흔한 나선 은하로 확신하며 잘못 분류하여, 독특한 우주적 사건을 기록에서 지워버렸을 수도 있습니다. 새로운 프레임워크는 그러한 변칙 사례들이 인간의 검토를 받도록 보장합니다. 연구진은 컴퓨터가 무작위 노이즈나 배경 아티팩트가 아닌, 나선 팔이나 중심부와 같은 이미지의 올바른 부분에 주목하고 있음을 확인했습니다. 시스템이 실수를 했을 때는 대개 은하 자체가 혼란스러운 구조를 가져 특징들이 서로 섞여 있었기 때문이었으며, 시스템은 높은 불확실성을 통해 이러한 혼란을 올바르게 반영했습니다.

이 연구의 함의는 매우 큽니다. 곧 다가올 망원경들은 수십억 개의 은하 이미지를 포착할 것이며, 그 양은 수동 검토를 불가능하게 만듭니다. 아는 것을 자동으로 분류하면서도 모르는 것을 신뢰성 있게 지목할 수 있는 도구를 갖추는 것은 차세대 우주 현상을 발견하는 데 필수적입니다. 연구진은 이 방법이 매우 효과적이지만, 불확실성을 위한 다중 검사를 실행하는 데 더 많은 컴퓨팅 파워가 필요하다고 언급했습니다. 그러나 그들은 이러한 비용이 자동화된 목록을 신뢰하고, 이상하거나 희귀한 은하가 눈에 띄지 않은 채 놓치는 일이 없도록 보장하기 위해 지불할 만한 작은 대가라고 주장합니다. 기계에게 자신의 지식의 한계를 인식하도록 가르침으로써, 천문학자들은 마침내 컴퓨터가 일상적인 업무를 처리하도록 맡기고, 자신들의 주의력을 우주의 가장 신비롭고 매혹적인 대상에 집중할 수 있게 되었습니다.