로만 우주망원경을 위한 딥러닝 포토제트 최적화: HST CANDELS 데이터 활용

초록

본 연구는 로만 우주망원경이 제공할 고해상도 광학·근적외선 이미지를 HST CANDELS 데이터로 모방하여, 완전 지도학습, 자기지도학습, 반지도학습 딥러닝 모델을 비교한다. 새롭게 제안한 반지도학습 모델 PITA가 색과 이미지 정보를 동시에 활용한 삼중 손실 함수로 가장 정확한 포토제트를 제공했으며, 라벨이 적은 상황에서도 견고한 성능을 보였다.

상세 분석

이 논문은 로만의 대규모 고해상도 이미지와 제한된 스펙트럼 적색도 라벨을 고려한 딥러닝 기반 포토제트 추정 방법을 체계적으로 평가한다. 데이터는 HST CANDELS의 네 개 필터(F606W, F814W, F125W, F160W)를 이용해 99 505개의 소스(절반 이상이 라벨 없음)로 구성했으며, 스펙트럼 적색도, 그리즘 적색도, COSMOS2020 다밴드 포토제트를 합쳐 20 624개의 라벨을 확보했다. 완전 지도학습(CNN 기반)과 자기지도학습(대조 학습) 모델을 기존 템플릿 피팅(Legacy) 및 전통 머신러닝(랜덤 포레스트)과 비교했을 때, 완전 지도와 반지도 모델이 전반적으로 낮은 편차와 적은 비편향을 보였다. 특히 반지도학습 모델 PITA는 (1) 이미지와 색상 정보를 모두 입력으로 사용하고, (2) 라벨이 있는 경우 적색도 손실, (3) 라벨이 없는 경우 이미지 재구성 손실, (4) 색상 일관성 손실을 포함하는 삼중 손실 함수를 도입해 라벨이 부족한 상황에서도 잠재 공간을 magnitude‑color‑redshift 축에 부드럽게 정렬시켰다. 결과적으로 PITA는 σNMAD≈0.025, outlier rate≈5% 수준의 성능을 달성했으며, 라벨 비율을 10%로 낮춰도 기존 지도학습 대비 10–15% 향상을 보였다. 반면 자기지도학습은 색상‑적색도 변동이 큰 잠재 벡터를 형성해 포토제트 추정에 불리했으며, 라벨이 전혀 없는 경우 성능이 급격히 저하되었다. 이러한 분석은 고해상도 이미지와 제한된 스펙트럼 라벨을 동시에 활용할 수 있는 반지도학습이 로만과 같은 차세대 대규모 서베이에 최적임을 강력히 시사한다.