설명 가능한 머신러닝 워크플로우를 활용한 전파천문 데이터 처리

전파천문학은 원시 관측 데이터를 과학적으로 활용 가능한 형태로 변환하기 위해 복잡한 데이터 처리 파이프라인을 필요로 한다. 특히 LOFAR와 같은 저주파 배열은 수십 개의 스테이션에서 수백 개의 서브밴드와 짧은 시간 해상도로 데이터를 수집하므로, 전통적인 수동 설정 방식으로는 실시간 처리와 품질 보장을 동시에 달성하기 어렵다. 최근 머신러닝(ML)이 이러한 파이프라인 자동화에 적용되기 시작했지만, 대부분의 모델이 블랙박스 형태로 동작해 천문학자들이 결과를 해석하거나 모델을 개선하기 어렵다는 문제가 있었다. 본 연구는 이러한 한계를 극복하고자 퍼지 규칙 기반 추론과 딥러닝을 결합한 하이브리드 모델을 제안한다. 핵심 아이디어는 Takagi‑Sugeno‑Kang(TSK) 퍼지 시스템을 입력 레이어에 두고, 각 입력 피처에 대해 가우시안 멤버십 함수를 학습시켜 규칙의 활성화 정도를 정량화하는 것이다. 퍼지 규칙은 “IF 고도는 높고 방위는 서쪽 THEN …”와 같은 인간이 이해하기 쉬운 형태로 표현되며, 규칙마다 선형 결합 가중치와 바이어스를 갖는 1차 TSK 모델로 구현된다. 멤버십 함수는 평균(m)과 분산(σ²) 파라미터를 학습하며, 규칙 활성화 정도는 각 피처 멤버십 값을 곱한 후 Softmax와 유사하게 정규화한다. 이렇게 얻어진 퍼지 기반 출력은 추가적인 다층 퍼셉트론(MLP) 레이어에 연결되어 최종 예측값을 산출한다. 연구에서는 방향 의존적 교정 문제, 즉 관측 대상에 영향을 미치는 강한 외부 소스(Outlier)를 선택적으로 제거하는 과정을 사례로 선택하였다. 수식적으로는 관측된 복합 신호 vₚq를 목표 신호 s₀와 외부 소스 sᵢ, 잡음 nₚq의 합으로 모델링하고, 교정 후 잔차 r을 계산한다. 목표는 AIC(Akaike Information Criterion)를 최소화하는 외부 소스 집합 I를 찾는 것이지만, 높은 잡음 환경에서는 σᵣ/σ_y 비율이 변하지 않아 데이터‑드리븐 탐색이 비효율적이다. 시뮬레이션은 LOFAR의 LBA와 HBA 모드에서 5개의 대표적인 외부 소스(CasA, CygA, TauA, VirA, HerA)를 사용해 다양한 관측 조건(주파수 대역, 스테이션 수, 신호대잡음비 등)을 랜덤하게 생성하였다. 입력 피처는 총 20차원으로, 각 외부 소스에 대한 고도, 방위, 목표와의 각도, 로그 주파수, 스테이션 수 등을 포함한다. 학습 데이터는 1300개의 샘플이며, 퍼지 기반 모델과 전통적인 MLP를 동일한 데이터로 학습시켰다. 실험 결과는 세 가지 주요 관점에서 의미 있다. 첫째, 두 모델 모두 부정적인 AIC 기준에서 데이터‑드리븐 전면 탐색 방식과 거의 동일한 보상을 얻었으며, 특히 고잡음 상황에서 퍼지 기반 모델이 더 안정적인 성능을 보였다. 둘째, 퍼지 기반 모델은 학습된 멤버십 함수를 시각화함으로써 각 피처의 중요도를 직관적으로 파악할 수 있었다. 예를 들어, 고도와 방위는 여러 멤버십 함수가 다양하게 분포해 있어 결정에 큰 영향을 미치는 반면, 목표와의 거리(항상 0)는 하나의 멤버십 함수만 존재해 불필요한 입력임을 확인했다. 셋째, 규칙 기반 접근은 드물게 나타나는 관측 상황(예: 특정 외부 소스가 지평선 아래에 있는 경우)을 식별하고, 추가 데이터 수집이나 모델 재학습이 필요한지를 사전에 알려준다. 또한, 퍼지 규칙의 수를 3개로 제한했음에도 불구하고 복잡한 비선형 관계를 충분히 모델링할 수 있었으며, 이는 차원 저주 문제를 완화하는 효과를 가져왔다. 저자들은 향후 규칙 마이닝 기법을 도입해 자동으로 규칙을 생성·축소하고, 입력 피처를 동적으로 선택하는 메커니즘을 연구할 계획이다. 결론적으로, 이 논문은 전파천문 데이터 처리 파이프라인에 설명 가능한 AI를 도입함으로써 자동화와 인간 전문가 간의 신뢰 구축을 위한 실용적인 로드맵을 제시한다. 퍼지 기반 모델은 기존 딥러닝의 정확도를 유지하면서도 입력 변수의 의미를 해석 가능하게 만들어, 향후 더 복잡한 교정 파라미터나 다른 데이터 처리 단계에도 확장 가능성을 보여준다.