MACHO 데이터에 트렌드 필터링 알고리즘 적용

초록

MACHO 프로젝트의 대규모 광도 시계열에서 시스템atics(트렌드) 문제를 해결하기 위해 Trend Filtering Algorithm(TFA)을 적용하였다. 밝은 5300여개의 별을 대상으로 전통적인 푸리에 분석과 비교했을 때, TFA 적용 후 트렌드에 의해 가려진 변광체를 183개 추가로 발견했으며, 전체 변광체는 387개로 확인하였다.

상세 분석

본 연구는 대규모 광도 데이터베이스인 MACHO의 두 LMC 필드(#1, #79)에서 시스템atics가 변수 탐지에 미치는 영향을 정량화하고, Trend Filtering Algorithm(TFA)을 통해 이를 최소화하는 방법론을 제시한다. TFA는 동일한 관측 필드에 존재하는 다수의 별들의 시계열을 템플릿 집합으로 사용해, 각 대상 별의 시계열을 템플릿들의 선형 결합으로 모델링한다. 이 과정에서 최소제곱법을 이용해 최적의 가중치를 구하고, 잔차(Residual) 시계열을 추출한다. 잔차는 시스템atics가 크게 억제된 상태이므로 푸리에 변환이나 BLS와 같은 주파수 분석에 바로 적용할 수 있다.

핵심적인 기술적 포인트는 다음과 같다. 첫째, 템플릿 선택은 공간적으로 균일하게 배치된 별들을 사용해, 특정 별에 대한 과도한 상관을 방지한다. 둘째, 템플릿 수(N_TFA)를 과도하게 늘리면 과적합(over‑fitting) 위험이 존재하므로, 본 논문에서는 실험적으로 600(필드 #79)와 500(필드 #1)개의 템플릿을 최적값으로 채택하였다. 이는 템플릿 수에 따른 잔차 표준편차(σ_TFA)의 감소 곡선을 통해 검증되었다. 셋째, 변광 신호가 존재할 경우, 초기 TFA 단계에서 일부 신호가 템플릿에 흡수될 수 있다. 이를 보완하기 위해 신호 주파수가 식별된 뒤, 신호+트렌드+노이즈 전체 모델을 재구성하는 iterative reconstruction 절차를 적용한다.

데이터 전처리 단계에서는 각 별의 관측점 수가 1000 이상이 되도록 제한했으며, 오류가 큰 측정값은 5σ 클리핑과 0.4 mag 상한을 적용해 제거하였다. 또한, 동일한 시간 베이스를 유지하기 위해 결측값을 평균값으로 채워 넣는 방식을 사용했으며, 이는 최종 결과에 미치는 영향이 미미함을 확인하였다.

주파수 분석 결과, 원본 데이터에서는 약 60 %의 별이 1 d⁻¹ 주변의 강한 피크를 보이며 트렌드에 지배되는 것으로 나타났다. 반면 TFA 적용 후 이러한 피크는 거의 사라졌고, 주파수 분포가 거의 평탄해졌다. 이는 TFA가 색상, 대기 투과율, CCD 비선형성 등 다양한 시스템atics를 효과적으로 제거했음을 의미한다.

변광체 탐지에서는 총 387개의 변광성을 확인했으며, 이 중 183개는 TFA 없이는 탐지되지 않았을 것으로 추정된다. 변광 유형은 주기성 펄스, RR Lyrae, Cepheid, 장주기 변광체 등으로 예비 분류되었으며, 특히 장주기 변광체는 저주파 영역에 남아 있는 잔여 피크를 통해 확인되었다.

본 연구는 TFA가 대규모 광도 설문조사 데이터에서 시스템atics를 억제하고, 미세한 변광 신호를 회복하는 데 매우 유용함을 실증하였다. 또한 템플릿 수와 선택 기준, 신호 재구성 절차 등 실용적인 파라미터 설정 방법을 제시함으로써 향후 다른 광도 설문조사(예: OGLE, Kepler, TESS)에도 적용 가능한 프레임워크를 제공한다.