miniJPAS 퀘이사 선택을 위한 결합 머신러닝 알고리즘

초록

**
본 논문은 J‑PAS의 초협대역 필터 데이터를 활용해 8개의 개별 분류기와 3개의 적색편이 추정기를 결합한 메타‑알고리즘을 제시한다. 모의 데이터와 DESI 실측 스펙트럼을 통해 성능을 검증했으며, 고‑z( z ≥ 2.1)와 저‑z( z < 2.1) 퀘이사에 대해 각각 f₁ = 0.88, 0.79를 달성했다. 모의 데이터에서는 σ_NMAD = 0.11의 적색편이 정확도를 보였으나, 실제 데이터에서는 σ_NMAD ≈ 0.02까지 개선될 수 있음을 확인했다.

**

상세 분석

**
이 연구는 miniJPAS 데이터 릴리즈(56개의 협대역 + 4개의 광대역 필터)에서 추출된 46 441개의 객체를 대상으로 한다. 먼저, 객체를 점광원(ER‑T ≥ 0.1)과 확장원으로 구분하고, 점광원 11 419개를 주요 분석 샘플로 설정하였다. 훈련·검증·테스트용 모의 데이터는 SDSS 스펙트럼을 J‑PAS 필터에 컨볼루션하고 잡음을 추가해 360 000개의 객체(별, 은하, 퀘이사 각각 동일 비율)로 구성했으며, 실제 관측 분포를 반영한 1 deg² 테스트 세트도 별도로 마련하였다.

분류기 부분에서는 이전 시리즈 논문에서 개발한 8개의 머신러닝 모델을 활용한다. CNN‑1, CNN‑1NE, CNN‑2는 1‑D 혹은 2‑D 형태의 플럭스와 오차를 입력으로 하는 합성곱 신경망이며, RF와 LGBM은 각각 랜덤 포레스트와 LightGBM 기반의 결정 트리이다. ANN‑1, ANN‑2는 각각 마그니튜드와 플럭스를 입력으로 하는 인공신경망이며, SQUEZE는 스펙트럼에서 발광선 후보를 탐지하고 랜덤 포레스트로 최적 적색편이를 선택하는 하이브리드 방식이다. 이들 모델은 각각 4개의 클래스(별, 은하, 저‑z 퀘이사, 고‑z 퀘이사)에 대한 확신도(confidence)를 출력한다.

결합 알고리즘은 8개의 확신도와 3개의 적색편이 추정값(예: SQUEZE, 별도 회귀 모델 등)을 입력 피처로 사용해 메타‑분류기(아마도 로지스틱 회귀 혹은 Gradient Boosting)를 학습한다. 피처 중요도 분석 결과, CNN‑2와 SQUEZE가 가장 큰 기여를 하며, 특히 고‑z 퀘이사 구분에서 SQUEZE의 발광선 탐지 기능이 핵심적인 역할을 한다는 점을 확인했다.

성능 평가는 f₁ 점수를 주된 지표로 삼았으며, 모의 데이터에서는 고‑z와 저‑z 퀘이사 각각 0.88, 0.79의 높은 값을 기록했다. 그러나 실제 DESI Early Data Release와의 교차 검증에서는 f₁ 점수가 다소 낮아, 모의 데이터가 관측 현실을 충분히 반영하지 못함을 지적한다. 특히, 점광원으로 분류되지 않은 고‑z 퀘이사가 약 18% 존재함을 발견했으며, 이는 저신호‑대‑노이즈 비율과 이미지 처리 한계가 원인으로 추정된다.

적색편이 추정에서는 모의 데이터에서 σ_NMAD = 0.11을 얻었지만, DESI 실측에서는 σ_NMAD ≈ 0.02까지 개선될 수 있음을 보고한다. 이는 실제 스펙트럼 정보와 광대역 필터가 적색편이 추정에 큰 도움을 준다는 의미이다. 다만, 현재 샘플 크기가 제한적이어서 통계적 견고성을 확보하기엔 부족하다는 점을 인정한다.

전체적으로 이 논문은 다중 머신러닝 모델을 체계적으로 결합해 퀘이사 식별과 적색편이 추정의 정확도를 크게 향상시켰으며, 특히 협대역 필터가 풍부한 miniJPAS 데이터에서 고‑z 퀘이사 탐지에 유리함을 실증한다. 향후 작업으로는 보다 현실적인 모의 데이터 생성, 점광원/확장원 분류 개선, 그리고 대규모 스펙트럼 교차 검증을 통한 메타‑모델 최적화가 제시된다.

**