- 날짜: 5/23(금) 오전 10시 ~ 오후 2시
- 장소: 한국천문연구원 장영실홀 331-1호
- 일정
10:00 ~ 10:10 / 환영인사 및 SpaceAI 프로그램 소개
10:10 ~ 10:20 / SpaceAI 2025 Scientist 트랙 진행 경과 보고 및 추진 계획 발표
10:20 ~ 10:50 / 연구제안서 발표 (총 3건, 각 10분 발표 및 Q&A 포함)
10:50 ~ 11:00 / 팀 구성
11:00 ~ 12:00 / 팀별 논의 I (향후 계획, 임무 분장, 데이터세트 준비, 베타 버전의 모델 개발 등 관련하여)
12:00 ~ 13:00 / 점심식사 (천문연 구내식당)
13:00 ~ 14:00 / 팀별 논의 II (향후 계획, 임무 분장, 데이터세트 준비, 베타 버전의 모델 개발 등 관련하여)
히이이이이ㅣㅇ잉 가고 싶었는데ㅠㅜㅠㅜㅠㅜㅠㅜ
망고시루 나왔다던데
줌으로 참여...
녹음본
🌌 환영인사 및 SpaceAI 프로그램 소개
우주 과학과 인공지능(AI)의 융합을 촉진하고, 실제 연구 적용을 확대하기 위한 전략과 프로그램 운영 경험을 공유
1. AI와 우주과학의 융합 필요성
- 우주과학 연구자들도 수학과 프로그래밍 역량이 뛰어나지만, 협업의 시너지가 중요해지고 있음.
- 연구 규모와 데이터의 양이 커지면서 다학제적 협업(수학, CS, 천문, 물리 등)의 필요성이 강조됨.
2. AI 적용 장벽과 지원 필요
- 기술은 쉬워 보이지만 직접 경험 없이는 어려움이 많음.
- 컴퓨팅 환경, 툴 사용법 등에서 입문자와 숙련자의 격차 존재.
- 따라서 커뮤니티 기반의 상호지원 환경 구축 필요성 언급.
3. SpaceAI 프로그램 개요
- 사이언티스트 트랙과 시티즌 사이언티스트 트랙 두 가지 운영.
- 2023년에는 10개 주제를 다뤘고, 2024년에는 3개로 압축하여 더 집중적인 연구 진행 중.
- 프로그램은 논문 작성뿐만 아니라 소프트웨어, 데이터셋 공유 등 실질적 산출물 생산도 목표.
🧪 프로그램 사례
1. 태양 활동 이벤트 검출 프로젝트
- 라벨링된 태양 활동 데이터셋 구축.
- AI 모델을 훈련시켜 이벤트를 자동 검출.
- 이 데이터는 NASA의 헬리오뷰어 시스템과 연동 예정.
- 기존에는 물리적 모델 기반 이벤트 검출이 주류였으나, 이번엔 AI 기반 검출이 최초.
2. 학생 대상 경진대회
- 라벨링 → 모델 학습 → 검출 정확도 평가의 실제 AI 사이클을 실습.
- 많은 학생이 참여하여 데이터셋 확대에 기여.
3. CME(Coronal Mass Ejection) 검출
- 태양 코로나 이미지에서 러닝 디퍼런스 영상 이용해 CME 자동 검출 실험.
- 시티즌 사이언티스트 트랙에서 관련 데이터셋 구축 중.
🌍 향후 방향성과 강조점
- 연구 중간 산출물(코드, 데이터)을 시스템 밖으로 공개하여 재사용 및 확산 가능성 확대.
- 참여자들이 자신의 주제 외에도 자유롭게 관심 분야 제안 가능.
- 지속적인 프로그램 확장을 통해 AI 기반 우주과학 연구의 생태계 조성 목표.
🌌 SpaceAI 2025 Scientist 트랙 진행 경과 보고 및 추진 계획 발표
🧭 사이언티스트 트랙 개요
- 시작 시기: 2023년 첫 운영
- 목표: 인공지능을 이용해 우주과학의 다양한 난제를 해결하는 연구 추진
- 특징:
- AI × 천문학 다학제 융합
- 실제 논문, 특허, 모델 성과물로 이어지는 실질적 산출물 강조
📌 2023년 연구 주제 개요 (총 11건)
주로 태양 활동 및 근지구 우주환경을 중심으로 연구가 진행됨:
- 태양 활동 지역 분석 (흑점, 플레어, CME 등)
- 고에너지 입자 및 자기권 연구
- 반사경 연마/정렬 등 기술적 주제
- 주제 제안 주요 기관:
- 경희대학교 (문용재 교수 중심)
- 한국천문연구원 (천문연)
📌 주요 성과:
- 정현진 박사(경희대 → JET) 논문 출간
- 김정은 박사 특허 출원
- 일부 과제는 현재도 진행 중
🌌 연구제안서 발표
🧪 2024년 선정된 3가지 주요 연구 과제
1. 지구 자기장 교란(KP 지수) 예측
- 제안자: 김정헌 박사 (천문연)
- 목표: 중위도 지역 자기장 교란 예측
- 기술: 딥러닝 기반 예측 모델
- 의의: 고정밀 예측 성공 시 우주기상 예측 정확도 향상
2. 태양 고에너지 입자(SEP) 이벤트 예측
- 제안자: 이승현 학생연구원 (UST/천문연)
- 목표: 지구 정지궤도 SEP 이벤트 예측
- 기술: 다양한 관측 데이터 활용 딥러닝 모델
- 활용처: 유인 우주탐사 임무에서 핵심적인 방사선 위협 예측
3. 은하 병합 탐지 및 병합 나무(Merger Tree) 재구성
- 제안자: 지웅배 교수 (세종대)
- 목표: 딥러닝을 통해 은하 병합을 식별하고 병합 이력 재구성
- 의의: AI로 은하 진화의 역사적 경로 추적
- 기대효과: 은하역학/형성 이론 연구에 벤치마킹될 수 있음
지웅배교수님 멋짐
⭐️ 딥러닝 기반 지구 중위도 지역의 자기장 교란 지수 예측 모델 개발
제목: 딥러닝 기반 KP 지수 예측 모델 개발
발표자: 김정헌 박사 (한국천문연구원 태양광 연구센터)
✅ KP 지수란?
- 중위도 지역의 지자기 교란 정도를 0~9까지 지수화한 값
- 지자기 폭풍 경고 지표로, 위성, 항공, 통신, 전력망 등에 큰 영향을 주는 요소
- NOAA에서 실시간 공개 (G1~G5 등급으로 표시됨)
🚨 문제 배경 및 필요성
- CME(코로나 질량 방출)나 고속 태양풍이 지구로 도달 → 지구 자기장 교란 → 지자기 폭풍
- 이로 인해 위성 궤도 변화, 항공기 통신 장애, 전력망 손상 등이 발생
- 예측은 매우 어렵고 복잡함: 태양풍 속도, IMF 방향성, 지구 자기장 상호작용 등 다양한 요소 포함
- 현재 KP 예측은 실시간 AI 예측 도입 사례 거의 없음
- 한국 내 예측 시스템 부재
🧠 연구 목표 및 전략
🔍 목표:
- 30분 해상도 KP 또는 HP30 예측
- 최대 12시간까지 예측 가능한 딥러닝 모델 개발
- 한국형 우주환경 통합 예측 모델의 핵심 모듈로 사용
🔧 접근 방식:
- 입력 파라미터 후보:
- 태양풍 정보 (속도, 밀도)
- 행성간 자기장 (IMF Bx, By, Bz, Bt)
- 과거 KP 지수
- CME 이벤트 정보
- 지구 방향 도달 여부
- 우선 시계열 자료 중심 접근 (이미지는 부가 옵션)
- HP30 (30분 단위 KP 변형) 예측
- 딥러닝 구조는 유연하게 선택 (RNN, LSTM, Transformer 등 가능)
📚 선행연구 및 기여
- 2000년대부터 다양한 딥러닝 예측 시도 있음
- 2024년 기준 관련 논문 계속 발표 중 (연 3편 이상)
- 하지만 실제 운영 시스템 도입은 드묾
- 한국에서 본격적으로 운영/적용 목적 예측 모델 개발은 거의 없음 → 본 연구의 의의 큼
💡 리뷰어 피드백 요약
- 입력 파라미터의 조합 최적화 필요
- 상관계수 기반으로 선별
- CME 정보는 불완전성 고려 필요
- CME 속도, 방향 실시간 반영 어려움
- 데이터 불균형 문제 해결 필요
- 폭풍/비폭풍 클래스 불균형
- 샘플링, 가중치 조정, 데이터 증식 필요
- 실시간 L1 포인트 관측 데이터 활용 권장
- 위성 기반 실시간 태양풍/IMF 데이터
- 두 가지 예측 모드 제안
- Quiet mode (정상상태 예측)
- Busy mode (폭풍 전후 단기 예측)
🌐 통합 모델 연동 계획
- 개발된 KP 예측 모델은 한국형 우주환경 통합 시뮬레이션 시스템에 연동
- 전립권/고층대기/전리권/열권 예측 모델에 입력값 제공
🗣️ 발표 이후 주요 질문 및 논의
질문내용
Q1 | “CME 발생 시점만 사용하는가? 시계열 전체를 사용하는가?” |
A1 | 시계열 전체를 사용하여 모델을 훈련할 계획이며, 단일 시점 반응형 모델은 아님 |
Q2 | “KP는 본질적으로 관측 기반 지수인데, AI로 예측하는 게 타당한가?” |
A2 | 그렇기에 단순한 피팅이 아닌 실시간성 & 상관성 기반의 일반화 모델 구축이 중요 |
🧩 결론 및 향후 계획
- 현재 제안은 초기 설계 단계이며, 팀 구성 및 구체 모델링 작업 예정
- 데이터 정제, 모델 실험, 검증, 실시간 적용 등을 통해 운영 가능한 시스템 개발 목표
- 참여 및 협업 제안 받는 중
⭐️ 태양 고에너지 입자 이벤트 예측을 위한 딥러닝 모델 개발
- 목표: SEP(태양 고에너지 입자) 이벤트의 발생 여부와 플럭스(양성자 에너지 플럭스) 시계열을 딥러닝 모델로 예측
- 중요성:
- SEP는 위성, 항공기, 우주인에게 방사선 위험
- 효과적인 우주날씨 예보를 위한 필수 요소
📚 기존 연구와의 차별점
- 기존 SEP 예측 모델 37개 존재
- 주로 경험적/물리기반 모델 → 계산 시간 오래 걸리고 실시간 예측 어려움
- 본 연구의 차별점:
- PFSS 모델 활용: 태양-지구 간 3D 자기장 연결선 정보 활용
- 다양한 데이터 결합: 시계열 + 이미지 + 자기장 모델 융합
🧠 모델 설계 개요
1. 입력 데이터
- GOES 위성의 SEP 플럭스 시계열 (약 50년치, 5분 간격, 12시간 윈도우)
- Flare 이벤트 목록 (시간, 위치, 강도 등)
- LASCO CME 영상 (러닝 디퍼런스 이미지)
- PFSS 태양-지구 자기장 연결선 좌표 (3D)
2. 출력 유형 (3단계 예측)
- 이진 분류 (예/아니오): 12시간 내 SEP 이벤트 발생 여부
- 사건 정보 추정: 시작/최대 시간, 플럭스 값
- SEP 시계열 예측: 12시간 예측 곡선
🧪 데이터 처리 고려사항
- PFSS 데이터는 직접 계산 필요 (솔라소프트 PFSS 코드 사용)
- 이미지 처리 문제: 용량, 전처리, 형식 결정 필요
- 시계열 동기화: 데이터 간 시간 해상도 불일치 문제 존재
- 데이터 불균형 (Imbalance):
- SEP 이벤트는 희귀함
- 클래스 불균형 문제 해결 필요 (샘플링/가중치 조정/데이터 증식 등)
🔮 기대 효과 및 활용
- 우주방사선 예보 정밀도 향상
- 위성/우주탐사 안전성 증대
- 학술적 성과: 논문, 특허 등 가능성
- 국가적 기여: 우주기상 예보 체계 고도화
💬 질의응답 핵심 요약
질문 | 요지 | 답변 요지 |
PFSS는 시계열로 쓰는가? | 고정된 구조 아님? | 시계열로 PFSS도 동기화 가능 (시간 구간별 연결선 추적) |
이벤트 발생 없는 경우 입력은? | Flare 없는 구간은? | 0 또는 null 값 처리하여 학습에 포함 예정 |
가장 중요한 인풋은? | PFSS? CME? | CME 영상, PFSS 자기장 경로, 플레어 위치/시간 모두 중요 |
데이터 불균형 문제 대책은? | SEP 이벤트 희소성 | 클래스 균형 맞춰 샘플링/조정 계획 |
CME 데이터 한계는? | 1996년 이후만 가능 | PFSS·영상·이벤트 매칭 가능한 범위에서만 사용 가능 |
⭐️ 딥러닝 기반 멀티 모달리티 은하 이미지 분석을 통한 은하 충돌 및 병합 사건의 탐지 및 시계열적 진화 연구
ㅋㅋㅋㅋ우리 아키텍처 크게 빵
초기 버전 그냥 만든 거라서..많이 바뀔 것 같은데
지금 저 zoobot도 마미로 바뀔 듯
- 단순 병합 여부를 넘어서 병합 전/후 시점을 예측
- “은하 충돌 타임라인을 복원”하는 모델 개발
- 관측 이미지만으로 포스트-머저(Post-merger)인지 프리-머저(Pre-merger)인지 예측 + 시간 경과량 추정
📌 연구 배경
- 기존 관측 데이터 기반 병합 연구는 한 시점의 스냅샷만 제공 → 시간 정보 없음
- 병합 전/후에 따라 스타포메이션(Star Formation)이나 블랙홀 활동성이 다름
- 시간 축을 알 수 있다면 진화 과정 모델링 가능성↑
🧪 연구 단계
- 병합 여부 분류 (Binary Classification)
- 관측 또는 시뮬레이션 이미지로 병합/비병합 분류
- 3단계 분류
- Pre-merger / On-going merger / Post-merger
- 시점 추정 (Regression)
- 충돌 시점을 기준으로 ±500Myr까지의 시간 예측
🧬 학습 데이터 구성
📂 1. 시뮬레이션 기반: IllustrisTNG
- 스냅샷 8499 (과거현재) 사용
- Stellar particle distribution → Mock 관측 이미지 생성
- 다양한 각도 랜덤 뷰로 일반화
- Merger Tree 활용: 병합 시점(ground truth) 제공 가능
📂 2. 관측 데이터: SDSS, DASH 등
- 병합/비병합 은하 다수 확보 가능
- 그러나 시간 축 정보는 없음 → 시점 추정엔 부적합 (Fine-tune용)
🎯 학습 구조 (Multimodal Learning)
- 입력:
- Mock 은하 이미지 (2D or RGB)
- 관측 기반 보조 정보 (색 지수, 밝기, 질량비 등)
- 구조:
- CNN 기반 이미지 인코더 + MLP 기반 수치 피처 처리
- 결합 후 분류 or 회귀
🔍 관련 선행 연구 인용
- Pearson et al.: 이미지만으로 Pre/Post Merger 분류 (CNN 사용)
- Ferreira et al. (2025): 관측 데이터에 적용, 병합 이후 시간별 은하 물리량 변화 시각화
- 이들은 이미지 단일 입력 중심 → 본 연구는 멀티모달 확장
📊 활용 기대 결과
- LSST, Euclid, SPHEREx 등 미래 대형 서베이에서:
- 단순 모양 분류 → 병합 시점 분류로 진화
- 4차원 은하 지도 구축 가능성 (3D 위치 + 시간 축)
- 진화 시퀀스 연구 (SFH, AGN, 질량 증가 등)에 타임라인 조건 부여
🤖 기술적 고려 사항 및 질의응답 요약
이슈 | 요지 | 응답/해결 방향 |
관측 화질 문제 | 이미지 해상도 차이 발생 우려 | 분석 범위 내 레드시프트 컷 적용해 품질 통제 |
색 정보 반영 여부 | 은하 색상도 중요한 피처인가 | 색, 밝기, 질량비, 크기 등 수치 정보도 모델에 포함할 계획 |
시뮬레이션/관측 차이 | 도메인 갭 존재 우려 | 초기엔 시뮬레이션 기반 훈련 → 관측 데이터로 Fine-tuning |
Merger 시점 정확도 | TNG는 Snapshot 기반 → 시점 해상도 한계 | N-body 보간 or 병합 트리 정보로 추정 정확도 향상 시도 |
데이터 불균형 문제 | 병합 시점 구간별 샘플 불균형 | 균형 있는 샘플링, 오버샘플링 고려 중 |
📅 앞으로의 로드맵
- 시뮬레이션 기반 예측 모델 개발 (1년)
- 관측 데이터 적용을 위한 도메인 적응(Fine-tuning)
- 공개 가능한 병합 시점 분류 맵 및 카탈로그 배포
- 논문/도구/데이터 기반 학술적 기여
📌 연구 협업 요청 사항
- AI 모델 개발, 멀티모달 퓨전, 시계열 추정, 도메인 적응 경험자 환영
- 딥러닝 실무 경험 있는 연구자 및 학생과 협력 기대
🌌 팀별 논의
는 우리는 온라인이라서 못 하는 듯
아니 근데 우리 주제에 6분이 더 지원? 참여 의사?를 밝히셨다고 한다
그럼 우리 13명이 되는 걸까..?
대전 넘무멀다... 아침10시
내가 운전만 잘 할 수 있었어도 가는 건데..
'Club|Project > 졸업 연구 | 멀티모달 AI를 이용한 은하 병합 단계 분류' 카테고리의 다른 글
🏆 이그 - SDSS 데이터 다운,전처리 (0) | 2025.05.22 |
---|---|
🌌 [Determining the time before or after a galaxy merger event] - 경쟁 논문 (0) | 2025.05.22 |
🏆 SYENERGI 이그노벨상용 사이드프로젝트 (0) | 2025.05.20 |
🌌 충돌 은하 분류 연구 : 지웅배 교수님 진행 계획 정리 (0) | 2025.05.20 |
🌌 [Identifying galaxy mergers in observations and simulations with deep learning] 논문 공부 (0) | 2025.05.15 |