위성 궤도 시뮬레이션 데이터 클러스터링 미니로켓 기반 특징 추출과 차원 축소

초록

본 연구는 22 300개의 토성 위성 궤도 시뮬레이션 시계열을 MiniRocket, FFT, 웨이브렛, TSFresh 등으로 특징을 추출하고, PCA와 UMAP을 이용해 차원을 축소한 뒤 K‑means, Agglomerative, GMM 등으로 군집화한다. 실험 결과는 실린동 공명 및 안정 영역을 효과적으로 구분하며, 전통적인 푸리에 분석 대비 높은 확장성과 해석 가능성을 보여준다.

상세 분석

이 논문은 천체역학에서 발생하는 대규모 시계열 데이터를 머신러닝 파이프라인으로 처리하는 방법론을 제시한다. 핵심은 MiniRocket을 이용해 400개의 시간 단계(φ₁, φ₂ 각도)를 9 996 차원의 특징 벡터로 변환하는데, 이는 랜덤 컨볼루션 커널이 다양한 dilation과 가중치를 통해 로컬·글로벌 패턴을 동시에 포착하기 때문이다. MiniRocket은 기존 Rock​et 대비 커널 수를 고정하고 연산량을 크게 줄여, 22 k 샘플을 수십 초 안에 처리할 수 있는 효율성을 제공한다.

보조적인 특징 추출기로는 FFT와 DWT(웨이브렛 변환), 그리고 TSFresh가 사용된다. FFT는 주파수 스펙트럼을 제공해 주기적 공명 신호를 강조하고, DWT는 시간‑주파수 영역에서 비정상성을 포착한다. TSFresh는 63개의 통계·엔트로피·분포 기반 계산기를 통해 794개의 의미 있는 특징을 자동 선택한다. 각 단계마다 Z‑score 정규화를 적용해 절대값 차이를 제거하고, 유클리드·코사인 거리 계산 시 스케일 편향을 최소화한다.

고차원 특징을 그대로 클러스터링에 사용하면 차원의 저주와 잡음이 심해지므로, 저차원 투영이 필수적이다. 논문은 선형 차원 축소 기법인 PCA와 비선형 기법인 UMAP을 조합한다. PCA는 전체 분산의 대부분을 보존하면서 차원을 수백 차원 이하로 감소시켜, 이후 UMAP이 데이터의 내재적 매니폴드를 보존하며 2~3 차원으로 압축한다. 이 과정에서 k‑nearest neighbor 그래프와 교차 엔트로피 최소화가 핵심 역할을 하며, 클러스터 경계가 명확히 드러난다.

클러스터링 알고리즘으로는 K‑means, Agglomerative Clustering, Gaussian Mixture Model을 적용했으며, 실험에서는 실린동(Corotation) 및 린드블라드(Lindblad) 공명 각도에 기반한 4개의 주요 군집이 도출되었다. 실험 결과는 실루엣 점수(0.680.70), Davies‑Bouldin(0.410.46), Calinski‑Harabasz(≈1 0⁵) 등에서 기존 푸리에 기반 방법보다 우수했으며, 특히 MiniRocket + TSFresh + K‑means 조합이 가장 높은 군집 품질을 보였다.

해석 측면에서 각 군집은 특정 공명 조건(예: φ₁≈0, φ₂≈π)과 연관된 안정 구역을 나타내며, 군집 내 궤도 변동성(에너지 교환, 진동 주기)도 차이 난다. 이는 전통적인 동역학 지도(dynamical map)와 유사한 정보를 제공하지만, 자동화된 파이프라인을 통해 수천 개의 시뮬레이션을 일괄 처리할 수 있다는 점에서 큰 장점을 가진다. 또한, MiniRocket의 랜덤 커널 특성 덕분에 특징이 물리적 의미와 직접 연결되지는 않지만, 차원 축소 후 시각화된 클러스터는 물리학자에게 직관적인 인사이트를 제공한다.

마지막으로, 저자는 파라미터 탐색을 위해 그리드 서치를 수행했으며, MiniRocket 커널 수, PCA 보존 비율, UMAP의 이웃 수·최소 거리 등을 최적화했다. Ablation study를 통해 각각의 특징 추출기가 클러스터 품질에 미치는 영향을 정량화했으며, MiniRocket만 사용해도 충분히 높은 성능을 보이지만, FFT·TSFresh와 결합할 경우 미세한 구조까지 포착한다는 결론을 도출했다.