JWST 이미지 기반 이중 인코더 대비학습을 이용한 은하 형태 분류

초록

본 연구는 JWST/NIRCam 근적외선 이미지에 대해 이중 인코더(ConvNeXt·ViT)와 대비학습(Contrastive Learning)을 결합한 비지도 학습 프레임워크를 구축하고, 다중 클러스터링 투표와 지도 학습을 연계한 두 단계 분류 체계 USmorph을 적용하였다. COSMOS‑Web 필드에서 46 176개의 은하를 5가지 형태(구형, 초기형 원반, 후기형 원반, 불규칙, 미분류)로 분류하고, 세르시크 지수·반경 등 파라메트릭 및 Gini·M20·Concentration·Ψ 등 비파라메트릭 지표와 비교해 분류의 신뢰성을 검증하였다.

상세 분석

본 논문은 최신 JWST/NIRCam 이미지의 높은 해상도와 깊이를 활용해 은하 형태 분류의 정확도와 확장성을 동시에 추구한다. 핵심 기술은 네 가지 단계로 구성된다. 첫째, 원시 이미지에 대해 컨볼루션 오토인코더(CAE) 기반 노이즈 감소와 적응형 극좌표 변환(APCT)을 적용해 회전 불변성을 강화한다. 이는 기존 CNN이 회전에 민감한 단점을 보완한다. 둘째, 두 개의 서로 다른 인코더, ConvNeXt와 Vision Transformer(ViT)를 병렬로 사용해 이미지 특징을 다중 스케일·다중 패턴으로 추출한다. ConvNeXt는 지역적인 텍스처와 가장자리를, ViT는 전역적인 구조와 관계성을 잘 포착한다. 셋째, 대비학습(Contrastive Learning)으로 동일 은하의 서로 다른 증강 버전 간 유사성을 최대화하고, 서로 다른 은하 간 차이를 강조함으로써 고차원 특징 공간을 효과적으로 정규화한다. 이 과정에서 대규모 배치와 온‑라인 마이닝 전략을 사용해 메모리 효율성을 확보한다. 넷째, 추출된 특징을 주성분 분석(PCA)으로 차원 축소한 뒤, 다중 모델(예: K‑means, DBSCAN, HDBSCAN) 기반 클러스터링을 수행하고, bagging 기법으로 각 모델의 결과를 투표(voting)한다. 이 다중 클러스터링 투표는 개별 알고리즘의 편향을 상쇄하고, 경계에 위치한 은하를 보다 안정적으로 그룹화한다. 마지막으로, 클러스터링으로 라벨링된 대다수 샘플을 이용해 GoogLeNet 기반 지도 학습 모델을 훈련하고, 클러스터링 과정에서 제외된 소수 샘플을 보완한다.

데이터 측면에서는 COSMOS‑Web의 0 < z < 4.2 구간을 포괄하는 46 176개의 은하를 선택했으며, Stellar mass completeness 기준을 적용해 질량 > 10⁹ M⊙인 대상을 중심으로 분석했다. 파라메트릭 지표인 세르시크 지수(n)와 반경(rₑ), 비파라메트릭 지표인 Gini(G), M₂₀, Concentration(C), Multiplicity(Ψ) 및 MID 통계량을 모두 측정해 각 형태군의 물리적 특성을 정량화했다. 결과적으로 구형(SPH)과 초기형 원반(ETD)은 높은 n, G, C 값을 보여 중심 집중도가 높고, 후기형 원반(LTD)과 불규칙(IRR)은 낮은 값과 큰 rₑ를 보이며, 분류 체계가 기존 형태‑물리량 관계와 일치함을 확인했다. 또한, 미분류(UNC) 군은 이미지 품질·시그널‑투‑노이즈가 낮은 경우가 많아 향후 데이터 전처리 개선이 필요함을 시사한다.

이 연구는 두 단계(비지도 → 지도) 접근법이 대규모 천문 이미지 데이터셋에 적용 가능함을 입증하고, 특히 JWST와 같은 차세대 관측 장비에서 얻는 고해상도 이미지에 대해 강인한 특징 추출과 클러스터링을 제공한다. 향후 중국우주정거장망원경(CSST) 대규모 광학·근적외선 서베이에도 동일 파이프라인을 적용해 수십억 개 은하의 형태를 자동 분류할 수 있는 기반을 마련한다는 점에서 과학적·기술적 의의가 크다.