남부 이탈리아 분산 컴퓨팅 기반 천문학 혁신

초록

S.Co.P.E. 프로젝트는 이탈리아 남부에 구축된 GRID 인프라와 VO(가상천문관) 연동을 목표로 한다. 본 논문은 GRID‑Launcher v1.0과 VO‑Neural(MLP·SVM) 데이터마이닝 툴을 개발·시험한 결과와, SDSS 데이터를 이용한 AGN 분류 실험을 중심으로 2년간의 주요 성과를 요약한다.

상세 분석

본 연구는 세 가지 핵심 축으로 구성된다. 첫째, S.Co.P.E. GRID와 국제 가상천문관(IVOA) 사이의 인증·접근 문제를 해결하기 위해 ‘GRID‑Launcher v1.0’ 인터페이스를 설계하였다. 사용자는 개인 인증서가 없어도 UK‑ASTROGRID 데스크톱에서 웹 서비스 형태로 작업을 제출할 수 있으며, 시스템은 자동으로 사용자 입력을 스크립트(task.sh, task.jdl, wn_runner.sh)로 변환하고, 인증된 INFN‑GRID CA 인증서를 이용해 S.Co.P.E. UI에 전송한다. 이후 UI는 스토리지 엘리먼트(SE)와 워킹 노드(WN)로 데이터를 배포하고, 작업 실행 후 결과를 Output Sandbox을 통해 UI로 회수한다. 이 과정은 VO‑Space에 결과를 복원함으로써 VO 사용자에게 투명하게 제공된다.

둘째, VO‑Neural 프레임워크는 대용량(>1 TB) 천문 데이터셋에 적용 가능한 머신러닝 파이프라인을 제공한다. MLP는 Fast Artificial Neural Networks(FANN) 라이브러리를 C++로 래핑했으며, 가중치 초기화·경사하강법을 통해 지역 최소점을 탐색한다. 과적합 방지를 위해 검증 세트를 별도로 유지하고, 최종 모델을 전체 데이터에 적용한다. SVM은 LIBSVM 기반으로 구현되었으며, RBF 커널을 사용해 C와 γ 파라미터를 로그 스케일 그리드 탐색한다. 두 알고리즘 모두 GRID 환경에서 병렬 실행이 가능하도록 설계돼, 110개의 워커 노드에서 동시에 파라미터 탐색을 수행한다.

셋째, 실제 천문학 응용 사례로 SDSS 데이터베이스에서 추출한 광학 특성(펫로R 50 u/g/r/i/z, 색 지수, 농도 지표 등)과 포토메트릭 적색이동을 입력 변수로 사용해 AGN(활동은성 은하핵)와 비AGN, Seyfert 1/2, LINER 구분 실험을 진행했다. 학습용 ‘Base of Knowledge(BoK)’는 두 개의 기존 분류 카탈로그(현재진, Sorrentino et al. 2006; Kauffmann et al. 2003)에서 추출한 라벨을 결합해 구축하였다. 실험 결과, MLP는 AGN vs Mix 분류에서 76 % 정확도, SVM은 74 %를 기록했으며, Seyfert 1 vs 2 구분에서는 MLP가 95 % 이상, SVM이 82 %에 달했다. 특히 이진 분류에서 SVM은 파라미터 그리드 탐색 비용이 크지만, GRID 기반 병렬 처리 덕분에 실용적인 실행 시간을 확보했다.

전반적으로 본 논문은 (1) 인증·접근 장벽을 완화한 GRID‑Launcher, (2) 대규모 천문 데이터에 최적화된 VO‑Neural 머신러닝 툴킷, (3) 실제 천문학 문제에 적용한 성능 검증이라는 세 축을 통해 S.Co.P.E. 인프라가 과학적 데이터 마이닝과 가상천문관 서비스 통합에 유효함을 입증한다. 향후 계획으로는 GRID‑Launcher 2.0을 로봇 인증서 기반으로 확장하고, VO‑Neural을 웹 서비스화하며, 통계 분석 모듈(VO‑STAT)과의 연동을 추진한다.