새로운 은하계 공생성 별 탐색: 머신러닝 기반 포토메트리 데이터 활용

초록

본 연구는 Gaia DR3, 2MASS, WISE와 Hα 의사등가폭을 결합한 특징으로 Random Forest 모델을 훈련시켜 2.5백만 후보 중 12개의 고신뢰도 S형 공생성 별을 선별하였다. 모델은 SMOTE로 클래스 불균형을 보정하고, F1 점수 89%를 달성했으며, 최근 확인된 후보 92.3%를 재발견함으로써 방법론의 신뢰성을 입증한다.

상세 분석

이 논문은 은하계 내 공생성 별(SySt)의 미확인 개체를 효율적으로 발굴하기 위해 최신 대규모 천문 데이터베이스와 머신러닝 기법을 결합한 점이 가장 큰 강점이다. 훈련 데이터는 166개의 확정된 S형 SySt와 1,600개의 비공생성 별로 구성했으며, SMOTE(Synthetic Minority Over-sampling Technique)를 적용해 소수 클래스인 SySt의 표본을 인공적으로 증강함으로써 클래스 불균형 문제를 완화하였다. Random Forest 알고리즘을 선택한 이유는 다변량 색 지표와 천체 물리량(유효 온도, 로그 g, 금속성 등) 사이의 비선형 관계를 효과적으로 포착할 수 있기 때문이다.

특징 선택 과정에서는 Gaia DR3, 2MASS, WISE의 광대역 색 지표와 함께 Gaia XP 스펙트럼에서 추출한 Hα 의사등가폭(EW_Hα)을 사용했다. 특히 Hα는 공생성 별에서 강한 방출선을 나타내는 핵심 지표이며, 음수값(방출) 범위가 -18.49 Å까지 확장되어 있다. 파라랙스(0–5.29 mas)와 물리적 파라미터(Teff, log g,