대규모 은하 근처 별들의 머신러닝 광도 분류 카탈로그

초록

Spitzer 적외선과 Pan‑STARRS1 광학 데이터를 결합하고 Gaia DR3 천체측량으로 전경을 제거한 뒤, 이전 연구에서 개발한 머신러닝 모델을 적용해 5 Mpc 이내 26개 은하의 1,147,650개 점원을 분류하였다. 276,657개(≈24%)는 신뢰도 높은 결과이며, 그 중 120,479개는 적색 초거성(RSG)으로 확인되었다. 저금속성(≈0.1 Z⊙)과 1.5 Mpc 이내 거리에서도 높은 정확도를 보였으며, 3 Mpc 이상에서는 Spitzer 해상도 제한으로 약간의 정확도 저하가 관찰된다. 고광도 RSG( log L/L⊙≥5.5) 21개, 먼지에 둘러싸인 황색 초거성(YS hypergiant) 159개, 그리고 M31 내 극초광도 RSG 6개를 새롭게 식별했다. 이 카탈로그는 JWST 목표 선정 및 개별 객체 연구에 중요한 자료가 된다.

상세 분석

본 연구는 대규모 외부 은하에서 진화된 대질량 별들의 분포와 질량 손실 현상을 통계적으로 조사하기 위해, 광학·적외선 광도와 천체측량 정보를 통합한 머신러닝 기반 분류 체계를 구축하였다. 데이터는 Spitzer IRAC·MIPS(3.6, 4.5, 5.8, 8.0, 24 µm)와 Pan‑STARRS1(g, r, i, z, y) 광학 사진을 교차 매칭하고, Gaia DR3의 시차·자이표(Proper Motion) 정보를 이용해 전경 별을 정량적으로 제거하였다. 전경 제거는 각 은하별로 타원형 경계 안·밖의 시차·자이표/오차 비율 분포를 스플라인으로 모델링하고, 은하 내부에 존재하는 가우시안 성분을 추정해 3σ 이상을 전경 후보로 판정하는 절차를 거쳤다. 이는 기존에 DR2 기반으로 적용했던 단순 절단보다 통계적 신뢰도를 크게 향상시켰으며, 특히 거리 3 Mpc 이상에서 Gaia 데이터가 희박한 경우에는 M31 기준값을 적용해 일관성을 유지하였다.

분류 모델 자체는 Paper I에서 제시한 다중 클래스 랜덤 포레스트(또는 Gradient Boosting) 알고리즘을 사용했으며, 학습 샘플은 M31·M33의 스펙트럼 확인된 대질량 별(적색 초거성, 황색 초거성, LBV, WR 등)과 비별(배경 은하, 전경 별)으로 구성하였다. 특징 변수는 색 지수(