👨🏻‍🚀 우주천문학 팀원들 첫 만남! + spaceAI 지웅배 교수님 미팅

냥냥 

연세대 천문우주학 팀원들 첫 미팅

이야기 좀 하구 

지웅배 교수님과의 미팅두 같이 진행하기루 함

---

👨🏻‍🚀 우주천문학 팀원들 만나깅

항성~!~!

우주토크 했다

재밌음ㅋㅋㅋ

 

최애 항성행성은하성운 듣기

베텔게우스 있을 것 같았는데 예진 언니 최애 항성이었음

적색초거성~

 

언니도 쿠르케작트 포스터 사려고 했었대

 

예약해뒀던 룸카페 가서 주제 토의

 

우리가 교수님들이 추천해주신 논문 읽고 주제 정리해본 거 설명하면서

괜찮은지 틀린 거 없는지 체크

 

 

희수언니가 주제 관련 기본 지식 강의두 해 줬따

명강의 (재밌다

적색 편이

우주과학에서의 거리 측정

분광 / 측광 데이터 

분자 에너지 준위 변화로 원소 탐지

등등에 대해 이해함

뇽뇽

 

 

이외

seeing data 보정

ㄴ 얼마 전 등장한 실제 레이저 이용 보정법을 뛰어넘기가 힘들 것 같다는 예진 언니 의견으로 기각

로버/탐사선 데이터 누락 복원

ㄴ 천문우주과학 쪽이 아니라 기계/전파 쪽인 것 같음 기각 ( 그런데 기기 관련 연구하시는 분들도 있대

 

그래서 우선

1. Photometric redshift 보정
2. galaxy morphology

 

크게 이 두 개만 들고 미팅 참석

---

👨🏻‍🚀 지웅배 교수님 미팅

지웅배 교수님이 교수 초임이시고

직전까지 연세대 연구실에 계셨다고 한다

 

근데 그 연구실이 희수 언니가 있는 랩실이구

우리 연락 주셨던 주임조교 석박 4학년 김은택님이 계시는 랩실이었다

 

우리가 대학원생 4학년 분이 함께할 만한 프로젝트일까..! 싶어서 ㅠㅠ우리랑 경력이 비슷해 보이는 분들이랑 같이 하자! 했는데

여기서 다시 뵙게 됐다ㅋㅋㅋ

 

지웅배 교수님이 Space AI 연구 제안서 낼 때 이 팀으로 내시려는 것 같다

어쩌다 보니까 6명 됨

우리랑 예진님은 각자 자기소개 하고

희수언니랑 은택 님은 지금 연구 중인 주제를 소개해 주셨다

 

어려움..

여러 유익한 말씀들을 해 주셨다

알아듣는 척...

 

이건 내가 적은 거다

보다시피... 

활용도가 0에 수렴해서

 

아래는 예진언니가 정리한 거!

 

 

 

 

📌 연구 주제 후보 정리

1.   Photometric 데이터로 Redshift 예측 (Photo-z Prediction)

• 포토메트릭 데이터로 스펙트로스코픽 수준의 적색편이 예측을 목표로 함.
• photometric redshift는 빈틈을 메우는 역할을 하며, 대규모 서베이 시대에서 중요하게 활용 가능.
• 특히 대규모 서베이 데이터(예: Dark Energy Survey, Euclid 등)를 활용하면 의미 있는 연구가 될 수 있음.
• 최근 릴리즈된 데이터(Hubble, James Webb 등)를 사용하는 것이 연구 차별점이 될 수 있음.
• 특정 파라미터를 효율적으로 사용하여 연구를 간편하게 진행할 수 있음.
• 단순히 적색편이만 예측하는 것이 아니라, 이를 통해 우주 거대구조를 입체적으로 파악하는 것도 가능.
• 멀티모달 모델 사용 가능 (이미지 + 파라미터).

2.   Imaging Data로 자동으로 구조 파악 (자동 구조 탐지)

• 이미지 데이터를 넣어서 자동으로 우주 거대구조를 파악하는 프로그램 개발.
• 예를 들어, 2D 이미지 데이터로부터 3D 맵을 만들어내는 연구.
• 특히 은하 구조, 필라멘트, void 등을 분류하고 지도화하는 것.
• 표면 밝기, 이미지의 해상도, 망원경 성능 등을 파라미터로 활용 가능.
• 이미지의 해상도를 파라미터로 반영해, 자동으로 구조를 추출하고 지도화할 수 있는 모델 개발.
  예: 망원경 성능을 입력 변수로 넣고, 자동으로 거대 구조를 파악하는 방식.
• 기존의 spectroscopic redshift로 만들어진 정확한 맵을 기반으로 학습, photometric 데이터로 확장하기.

3.   은하 합병 단계 추정 (Galaxy Merger Detection)

• Pair Galaxy의 진화 단계를 이미지 기반으로 예측하는 연구.
• 문제: Pair Galaxy의 진화 단계는 매우 길고, 관측은 짧은 스냅샷으로만 이루어짐.
• 기존 연구는 주로 시뮬레이션 데이터를 기반으로 분석함. 실제 관측 데이터로는 정확한 단계 파악이 어려움.
• 가능성 있는 접근법: 시뮬레이션으로 학습시키고, 실제 이미지 데이터로 테스트.
• 참고 논문:
  ADS: 2019MNRAS.490.5390B
  A&A: 2019 Galaxy Merger Study
• 관측 데이터로는 부딪히는 중인지, 떨어지는 중인지 구분이 어렵다.
• 시뮬레이션 기반 학습으로 문제 해결 가능 (Simulations → Observations).
• 시뮬레이션 모델의 해상도가 높아질수록 정확도 향상 가능.
• 특히 최근 릴리즈된 데이터를 활용하면 연구 차별화 가능.

 

📌 중요한 포인트 및 고려 사항

1.   데이터 사용

• 최신 데이터 활용 (Hubble, James Webb, Euclid, Dark Energy Survey 등).
• 최근 릴리즈된 데이터일수록 차별성을 줄 수 있음.

2.   모델 설계 (AI 모델 관련)

• 멀티모달 학습 (이미지 + 수치 데이터 통합 학습) 가능성 있음.
• 망원경의 성능(해상도, 필터 등)도 모델의 입력 변수로 활용 가능.

3.   연구의 정확성 및 한계

• photometric redshift 예측은 빈틈을 메우는 역할이지만, 정확도는 낮을 수 있음.
• 시뮬레이션을 통한 학습은 관측 데이터와의 차이를 잘 고려해야 함.
• 특정 모델을 사용하면 중간에 모델 변경이나 추가하기 어렵다. (구체적인 목표 설정이 중요!)

 

📌 교수님 코멘트 & 주의 사항

• 얼마나 효율적으로 연구할 수 있는지가 중요하다.
• 파라미터 연구가 간편하고 용이해야 함.
• 정확하게 무엇을 하고 싶은지 정하는 게 중요. (중간에 추가하거나 변경하기 어려움)
• 신뢰할 수 있는 데이터를 사용하고, 차별성을 두기 위해 최신 릴리즈 데이터 활용하기.

 

 

Astronomers use slime mold model to reveal dark threads of the cosmic web

 

암흑물질 시뮬레이션, '단세포 생물' 필요해 - 이코노미사이언스

Deep learning predictions of galaxy merger stage and the importance of observational realism

 

 

 

교수님 진짜 mz하심

톡방개설!

 

AIstronomy 교수님이 지으신 것 같은데

맘에듬ㅋㅋㅋㅋㅋㅋ