🌌 SpaceAI 천문연구원 킥오프 미팅

감사감사 우주먼지굣님 체고

- 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...

 

spaceai.txt

0.09MB

 

 

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:

1. 입력 파라미터 후보:
   • 태양풍 정보 (속도, 밀도)
   • 행성간 자기장 (IMF Bx, By, Bz, Bt)
   • 과거 KP 지수
   • CME 이벤트 정보
   • 지구 방향 도달 여부
2. 우선 시계열 자료 중심 접근 (이미지는 부가 옵션)
3. HP30 (30분 단위 KP 변형) 예측
4. 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

1. 입력 파라미터의 조합 최적화 필요
   • 상관계수 기반으로 선별
2. CME 정보는 불완전성 고려 필요
   • CME 속도, 방향 실시간 반영 어려움
3. 데이터 불균형 문제 해결 필요
   • 폭풍/비폭풍 클래스 불균형
   • 샘플링, 가중치 조정, 데이터 증식 필요
4. 실시간 L1 포인트 관측 데이터 활용 권장
   • 위성 기반 실시간 태양풍/IMF 데이터
5. 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)

1. 이진 분류 (예/아니오): 12시간 내 SEP 이벤트 발생 여부
2. 사건 정보 추정: 시작/최대 시간, 플럭스 값
3. 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

1. 병합 여부 분류 (Binary Classification)
   • 관측 또는 시뮬레이션 이미지로 병합/비병합 분류
2. 3단계 분류
   • Pre-merger / On-going merger / Post-merger
3. 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

1. 시뮬레이션 기반 예측 모델 개발 (1년)
2. 관측 데이터 적용을 위한 도메인 적응(Fine-tuning)
3. 공개 가능한 병합 시점 분류 맵 및 카탈로그 배포
4. 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..

주말에 운전연습이나 열심히 해야겠다