우주망점 웹에서의 은하 형태 분류를 위한 듀얼코딩 대비학습 모델

초록

**
본 연구는 기존 USmorph 프레임워크를 개선하여, 컨볼루션 오토인코더와 적응형 극좌표 변환으로 잡음 제거와 회전 불변성을 확보하고, ConvNeXt와 ViT 기반 듀얼 인코더를 활용한 대비학습으로 특징 차원을 효율적으로 축소한다. 이후 Bagging 기반 클러스터링으로 73 %의 은하를 자동 분류하고, 남은 27 %는 GoogLeNet으로 보완한다. COSMOS‑Web 0.5 < z < 6 영역의 45 288개 은하에 적용한 결과, 기존 방법 대비 분류 효율과 신뢰도가 크게 향상되었으며, 향후 차세대 우주망점 망원경 임무에 적합함을 입증한다.

**

상세 분석

**
이 논문은 은하 형태 자동 분류라는 고전적 문제에 최신 자기지도 학습(self‑supervised learning) 기법을 접목시킨 점이 가장 큰 강점이다. 먼저 이미지 전처리 단계에서 Convolutional Autoencoder(CAE)를 이용해 저신호‑대‑잡음 비율(S/N) 문제를 해결하고, Adaptive Polar Coordinate Transformation(APCT)을 적용해 회전 변형에 대한 모델의 민감도를 크게 낮춘다. 이는 특히 고‑z 은하가 보이는 형태가 무작위 회전될 가능성이 높은 JWST 이미지에 적합한 설계라 할 수 있다.

특징 추출 단계에서는 사전 학습된 ConvNeXt와 Vision Transformer(ViT) 두 모델을 병렬 인코더로 사용한다. ConvNeXt는 최신 CNN 구조로 지역적 패턴을, ViT는 전역적인 관계를 효율적으로 포착한다. 두 인코더의 출력을 결합한 뒤, 전통적인 데이터 증강 없이도 양성·음성 샘플 쌍을 구성하는 대비학습(contrastive learning) 프레임워크에 투입한다. 논문은 SimCLR·MoCo·BYOL 등 기존 대비학습 방법의 한계를 지적하고, “dual‑coding” 접근법을 통해 이미지 자체의 다중 뷰를 생성하지 않아도 충분히 구분 가능한 임베딩을 학습한다는 점을 강조한다.

차원 축소는 대비학습 손실을 최소화하면서 자연스럽게 이루어지며, 이후 Bagging 기반 클러스터링(다중 부트스트랩 샘플링 후 투표)으로 10개의 주요 형태군으로 집합한다. 기존 100군으로 분류하던 방법에 비해 군 수를 10배로 축소했음에도 불구하고, UMAP 시각화와 기존 형태 매개변수(Gini, M20 등)와의 교차 검증 결과 높은 일관성을 보인다.

마지막으로, 클러스터링으로 라벨링되지 않은 27 %의 은하는 GoogLeNet을 이용한 지도 학습(Supervised Learning) 단계에서 보완한다. 전체 파이프라인은 데이터 전처리 → 특징 추출 → 대비학습 차원 축소 → Bagging 클러스터링 → 지도 학습 순으로 구성돼, 각 단계가 독립적으로 최적화될 수 있는 모듈형 구조를 제공한다.

한계점으로는 대비학습에 사용된 정확한 손실 함수와 하이퍼파라미터 설정이 논문에 상세히 기술되지 않아 재현성이 다소 떨어질 수 있다. 또한, 73 %의 자동 분류 비율이 아직 완전 자동화에 미치지 못하므로, 향후 더 정교한 클러스터링 알고리즘이나 앙상블 전략이 필요하다. 그럼에도 불구하고, 대규모 JWST 이미지와 차세대 CSST 데이터에 바로 적용 가능한 효율적인 프레임워크를 제시한 점은 큰 의의가 있다.

**