🔭 서울대학교 천문학전공 황호성 교수님 연구 면담

시드니에 연구년으로 가 계신대ㅠㅠ

바쁘실 텐데

감사감사슨하다

 

 

 

---

 

[황호성 교수님 면담 내용]

앞쪽 부분 날아감ㅠ

ㅋㅋㅋㅋㅋㅋㅋㅋㅋㅋㅋㅋ시작 전

 

황호성 교수님 00:00

일단 우리 이메일로 옛날 얘기했던 거랑은 다른 건가요?

 

우리 00:04

맞아요. 원래 적색편이를 주제로 했었는데, 관련 선행연구가 많아서 좀 더 새로운 주제를 찾다 보니 지금 주제로 전환하게 됐어요.

 

황호성 교수님 00:23

그럼 이 연구는 석사 논문 수준인가요, 아니면 학부 텀 프로젝트 수준인가요?

 

우리 00:38

학부 졸업 프로젝트예요. 1년 동안 3명이서 진행하고 있고, 겨울까지가 목표예요.

 

우리 00:56

천문학 지식이 부족할 것 같아서 연세대 천문우주학과 학부생, 석사생 한 명과 협업할 예정이에요.

 

황호성 교수님 01:08

좋은 기회인 것 같고, 주제도 흥미롭네요. 요즘 천문학에서는 대형 망원경으로 관측한 형태 데이터를 바탕으로 은하 분류가 중요한 이슈거든요. 특히 주봇처럼 이미지 기반 분류에 물리량을 더하는 건 매우 좋은 아이디어예요.

 

황호성 교수님 02:55

지금 저랑 고등과학원과 함께 진행 중인 시민과학 프로젝트가 있어요. 주니버스라고 혹시 들어봤나요?

 

우리 03:10

네, 들어본 것 같아요.

 

황호성 교수님 03:11

그걸 통해 AI 트레이닝용 라벨링 데이터셋을 구축 중이에요. 향후 모델을 실제 관측자료에 적용할 때 유용할 수 있어요.

 

우리 05:25

교수님, AI가 천문학계에서 어느 정도 확산되어 있는지, 그리고 멀티모달 AI는 얼마나 사용되고 있는지 궁금합니다.

 

황호성 교수님 05:40

AI 머신러닝 그룹이 한국천문학회 내에 생겼고, 매년 워크숍도 열리고 있어요. 5월에 열리는 워크숍에 가보면 실질적으로 어디에 AI가 쓰이는지 알 수 있어요.

한국천문학회

 

우리 06:46

이번에 신청해서 들으러 가요.

 

황호성 교수님 06:50

잘 됐네요. 신민수 박사, 홍성욱 박사도 참고하면 좋아요. 다만 AI는 결과는 잘 주지만, 설명 가능성이 떨어져서 자연과학 분야에서는 신중히 써야 해요.

 

우리 08:18

저희 프로젝트는 이미지와 물리량을 매칭해서 멀티모달 아키텍처를 구성하려고 해요. TNG 이미지와 매칭되는 물리량 데이터 추출 방법이 있을까요?

 

황호성 교수님 09:38

이미 잘 정리되어 있어요. TNG에는 은하 목록과 그에 대응되는 물리량들이 테이블로 있고, 필요한 메타데이터 대부분은 수십 개 컬럼으로 제공돼요. 굳이 스펙트럼 분석까지 안 해도 충분할 거예요.

 

우리 11:12

최종 목표는 실제 관측 데이터에도 적용하는 건데, TNG처럼 이미지와 매칭되는 물리량 데이터가 실제 관측 자료에도 있나요?

 

황호성 교수님 11:34

관측 자료도 다 구할 수 있어요. 다만 정보 양은 TNG보다 적고, 일부 물리량만 얻을 수 있기 때문에 다양한 조합으로 실험하는 게 중요해요.

 

우리 12:10

시뮬레이션 데이터라서 실제와 다를까봐 걱정되는데 괜찮을까요?

 

황호성 교수님 12:39

물론 차이는 있어요. 해상도 제한도 있고, TNG가 아무리 현실적으로 만들었다 해도 완벽하지 않아요. 그래서 그런 한계를 인지하고 실험하는 게 중요해요.

 

우리 14:10

주봇이 천문학계에서 파운데이션 모델로 쓰이나요? 다른 추천 모델은 없을까요?

 

황호성 교수님 14:31

형태 분류 모델은 많고, 주봇도 초기 모델 중 하나예요. TNG 분류 연구는 김석 박사가 많이 해놨고, 모델을 직접 개발할지 기존 모델을 수정할지는 프로젝트 난이도에 따라 달라요.

 

우리 15:29

이미지 분류는 기존 모델을 활용하려 하고, 멀티모달을 자체적으로 구성하려고 해요.

 

황호성 교수님 15:58

그 접근 좋아요. 기존 이미지 분류 모델은 그대로 쓰고, 물리량 처리를 잘 결합하면 좋은 아키텍처가 나올 거예요.

 

우리 17:15

사업성을 강조하는 프로젝트가 많다 보니 저희 순수 과학 프로젝트가 어떻게 사회에 기여하는지 설명하기 어려워요.

 

황호성 교수님 17:15

좋은 질문인데, 저희는 그런 사업성 고민은 잘 안 해요. 하지만 AI를 통해 분류나 자동화하는 기술은 마케팅 등에도 유용하다는 점은 어필할 수 있어요.

 

우리 18:59

궁극적으로는 병합 시점을 예측하고 싶은데 가능할까요?

 

황호성 교수님 19:27

사진만으로는 현재 상태밖에 알 수 없지만, 멀지 트리 데이터를 활용하면 과거 병합 이력을 알 수 있어요. 병합의 진화 단계까지 분류하려면 시간에 따른 상태 추적이 필요하긴 해요.

 

우리 21:02

물리량 중 거리, 질량 외에 중요한 게 있을까요?

 

황호성 교수님 21:32

중요한 건 질량, 별 탄생률, 그리고 속도 분산이에요. 속도 분산은 병합 중에 값이 높아지는 경향이 있어서 매우 유용한 피처예요.

 

우리 24:36

TNG 데이터가 너무 방대해서 원하는 정보를 찾기 어려워요. 조언이 있을까요?

 

황호성 교수님 24:57

이미 데이터를 다룬 학생에게 물어보는 게 가장 빠르죠. 저희 팀에 TNG 데이터를 서버에 다 올려둔 학생이 있으니 연결해줄게요.

 

우리 26:38

정답 라벨은 직접 만들어야 하나요?

 

황호성 교수님 26:40

네, 병합 여부는 눈으로 판단하거나, 거리에 따른 필터링과 멀지 트리 데이터를 활용해 자동화할 수 있어요. 병합 단계를 추적하려면 시간축 데이터를 읽고 분석해야 하는데 이건 꽤 어려워요.

 

우리 30:29

멀지 트리에서 최근 병합 여부로 정답 라벨링이 가능할까요?

 

황호성 교수님 31:42

가능해요. 예를 들어 1억 년 이내 병합 여부로 분류하면 정답 생성이 쉬워져요. 여기에 거리 조건을 더해서 병합 유무를 분류하면 돼요.

 

우리 32:30

실제 관측에서도 병합 흔적을 오래된 은하에서 찾을 수 있나요?

 

황호성 교수님 32:49

몇 억 년이 지나면 흔적은 사라지지만, 스펙트럼 분석을 통해 과거 별 형성률 등의 이력을 복원할 수는 있어요.

 

우리 34:19

이미지를 다루는 데 고성능 컴퓨터가 필요했을 것 같은데 어떤 사양을 쓰셨나요?

 

황호성 교수님 34:38

우리는 최근에 GPU 머신을 도입했어요. 테스트는 구글 Colab에서 하고, 괜찮으면 서버로 넘어가는 방식으로 작업했어요. 필요하면 우리 서버도 연결해줄 수 있어요. 천문학을 도메인으로 선택한 이유가 있나요?

 

우리 39:02

천문학 프로젝트를 하게 된 이유는, 우주에 대한 관심과 오픈된 방대한 데이터, 그리고 멀티모달 적용 가능성 때문이에요.

 

황호성 교수님 39:57

잘 선택했네요. 메일로 필요한 자료와 대학원생 연락도 도와줄게요.

 

 

 

 

감사무새

근데 연구실 gpu 쓸 수 있게 해주시겠다고도 하고

대학원생분 연결시켜주신다고도 하고

나중에 한국 가면 대면으로 한번 보자고도 하시고

감사하자나ㅠ

 

 

---

 

---

✅ 사용 데이터 및 라벨링

• TNG(TNG50 등) 시뮬레이션 데이터를 기반으로 학습:

• 은하별 이미지 데이터

• 은하별 물리량 (질량, 별 탄생률, 속도 분산 등)

• 스펙트럼은 별도로 활용할 필요는 없음 (이미 분석된 물리량 존재)

• 멀지 트리(Merger Tree)를 활용하면 병합 이력을 알 수 있음.

• 최근 1억 년 내 병합 여부를 기준으로 병합/비병합 라벨 생성 가능.

• 현재 병합 여부는 거리 조건을 추가하여 보완 가능.

 

 

✅ 모델 구성 및 활용

• 이미지 분류 모델은 주봇 등 기존 모델 사용 가능, 커스터마이징 또는 fine-tuning 가능.

• 멀티모달 구조에서:

• 이미지와 메타데이터(물리량)을 정확히 매칭하는 구조 설계가 중요.

• 이미지 처리 모델과 수치 데이터 처리 모델을 각각 학습시켜 결합하는 방식 제안.

 

 

✅ 실제 관측 데이터 적용

• 최종 목표는 실제 관측 데이터에 적용하는 것.

• 관측 데이터는 일부 물리량만 제공되므로 TNG에서 변수 수를 줄여가며 실험하는 접근 추천.

• 병합 흔적은 보통 몇 억 년 후 사라지므로 최근 병합만 예측 가능.

• 스펙트럼 분석을 통해 별 생성 이력을 역산해 병합 흔적을 추정하는 것도 가능.

 

 

✅ 실행 환경 및 리소스

• TNG 데이터는 매우 크므로 로컬에서는 비효율적, 서버 사용 추천.

• 황 교수님 팀에서 TNG 전체 데이터를 보유 중, 대학원생과 연결해주겠다고 함.

• 정답 데이터 생성은 멀지 트리 + 거리 조건 기반 자동 라벨링 + 눈으로 확인하는 방식 추천.

• 모델 학습에는 구글 Colab 수준에서도 충분, 필요 시 교내 서버나 교수님 서버 제공 가능.

 

 

✅  조언 및 참고사항

• 기대효과는 “우주 진화 이해에 기여”, “AI를 통한 분류 자동화”, “멀티모달 AI 확장 가능성” 등으로 서술.

• 관련 프로젝트로 주니버스 시민과학 프로젝트 언급, 추후 관측 데이터와 연결 가능성 있음.

• 병합 단계 추적 등 고난이도 분석은 대학원 수준 과제, 현재는 병합 유무 구분에 집중 추천.

 

 

🔗 후속 조치 제안

• 황 교수님이 TNG 데이터를 잘 아는 대학원생 소개 및 메일 연결 예정.

• 김석 박사의 TNG 분류 논문/연구 참고 가능성 있음 → 관련 자료도 추후 전달 예정.