🔭 LSST with AI : day 1(AM)

💫 LSST with AI : 11th Korea Astronomy Machine Learning Meeting 신청

이거왓다

쿠키

팀원분들도 다 오시는 듯

---

 

한국천문연구원

---

🔭 An introduction to LSST - survey and data

 

 

LSST (대형 시놉틱 관측 망원경) | 세계의 망원경 | 망원경 | 천문학습관 | 천문우주지식정보

 

LSST (대형 시놉틱 관측 망원경, Vera C. Rubin Observatory)

칠레 세로 파촌(Cerro Pachón) 산 정상에 건설된 루빈 천문대의 모습. 2024년 5월, 세계 최대 규모의 LSST 카메라를 담은 컨테이너가 산 정상의 관측소로 운반되고 있다. 왼쪽의 건물이 LSST 망원경 돔이다.

 

 

LSST(Large Synoptic Survey Telescope, 현 베라 C. 루빈 천문대)

 

- 칠레 북부 안데스 산맥 해발 약 2,682m 고지대에 건설 중인 최첨단 광시야 천체망원경

- 이 관측소는 8.4미터 주경을 포함한 거대 광학계와 세계 최대인 32억 화소(3.2 기가픽셀) 카메라를 갖추고 있으며, 10년에 걸쳐 남반구 하늘 전체를 주기적으로 관측하는 “우주 시간청사진” 프로젝트를 수행할 예정

- 짧게는 이틀에서 삼일마다 하늘 전역을 반복 촬영함으로써 우주를 실시간으로 모니터링하는 전례 없는 “우주 영화”를 만들어낼 계획이며 , 이를 통해 암흑물질·암흑에너지의 비밀, 태양계 소천체의 분포, 변광천체의 거동 등 현대 천문학의 핵심 미스터리를 풀어가는 것을 목표로

함

 

 

기술적 사양 (망원경 제원 및 성능)

 

거대한 주경과 광시야 광학계: 

LSST는 지름 8.4미터에 이르는 거대한 주경을 사용한다. 독특한 삼중 거울 광학 설계를 채택하여 3.5도에 달하는 매우 넓은 시야를 얻었는데, 이는 보통 맨눈에 보이는 달의 약 7배 넓이에 해당한다 . 8.4m 주경과 3.4m 부경, 5.0m 제3경으로 이루어진 세 거울 계통 덕분에 한 번에 9.6제곱도 면적의 하늘을 선명하게 담을 수 있으며, 망원경의 집광력과 시야를 나타내는 에뚜앙뒤(etendue) 값이 무려 300 이상으로 기존 최대 시야 망원경보다 3배 넘게 크다 . 이처럼 대구경이면서 광시야인 망원경 구조는 빠른 관측 주기를 가능케 하며, 거대한 지붕 모양의 돔 내부에 설치된 마운트와 구조체 역시 5초 이내에 망원경을 안정적으로 재지향할 수 있도록 강성과 정확도를 확보했다 .

 

세계 최대의 디지털 카메라: 

LSST 망원경의 초점면에는 3.2 기가픽셀(32억 화소) CCD 카메라가 장착되어 있다. 이 카메라는 현존 최대 규모의 디지털 카메라로서, 초당 수십 기가비트의 데이터를 생성할 만큼 강력한 성능을 지닌다 . 카메라의 시야는 지름 3.5도(9.6제곱도)로 매우 넓으며, u, g, r, i, z, y 여섯 가지 필터를 교체해가며 자외선부터 적외선에 이르는 파장대의 천체 빛을 포착할 수 있다 . 189개의 대형 CCD 센서로 이루어진 초전도 카메라 센서는 0.2초각의 화소 크기 분해능을 제공하고, 약 -100℃의 극저온에서 동작하여 열잡음을 최소화한다. 전체 카메라 시스템은 작은 자동차 정도 크기(높이 ~3미터, 무게 ~2.8톤)에 달하며, 슬랙(SLAC) 국립가속기연구소에서 20년에 걸쳐 개발·조립된 걸작이다 .

 

신속한 관측과 촬영 속도: 

LSST의 관측 주기는 “빠른 스냅촬영”으로 특징지을 수 있다. 한 번 노출에 15초 정도의 짧은 노출로 사진을 찍고 약 5초 만에 다음 위치로 망원경을 이동시켜 연속 촬영하는 방식으로, 약 20초마다 한 장씩 천체 이미지를 얻는다 . 이처럼 신속한 촬영을 통해 매 밤 약 800장 이상의 파노라마 사진을 수집하며, 이는 8메가픽셀 가정용 카메라로 하루밤에 80만 장을 찍는 것에 맞먹는 엄청난 데이터량이다 . 이러한 속도로 관측하면 2~3일마다 한 번씩 남반구 하늘 전체를 모두 스캔하게 되는데 , 바로 이 점이 LSST를 “시놉틱(전천 반복 관측)” 망원경이라 부르는 이유다. 10년 간 축적될 개별 관측 컷 수는 200만 장 이상에 달하며, 이를 연결하면 시간에 따라 변화하는 천체들의 초대형 타임랩스 영상이 완성된다 .

 

막대한 데이터와 처리 능력: 

LSST는 전례없이 방대한 데이터 셋을 생성할 것으로 예상된다. 하루 관측마다 20~30테라바이트 이상의 원시 데이터가 쏟아질 것이며, 10년 누적 시 약 200페타바이트(PB)에 이르는 이미지와 데이터가 축적될 전망이다 . 이를 실시간 처리하기 위해 초당 100조 회 연산급(100테라플롭스)의 컴퓨팅 파워를 갖춘 데이터 센터가 구축되었다 . 촬영된 원본 영상은 60초 이내에 실시간 보정 및 차분처리가 수행되어 달밤 전 5시그마 이상 변화를 보이는 천체에 대해서는 즉시 경보(alert) 신호가 생성된다 . 또한 하루 내에 이동천체 궤도 계산과 차분이미지 검출 결과가 추가로 업데이트되고, 매년 전체 데이터를 재처리한 정밀 연간 데이터 릴리스(DR)가 이루어져 보정된 심층 합성 이미지와 광차곡선, 천체 목록을 일괄 공개한다 . LSST가 축적할 이러한 페타바이트급 데이터베이스는 전세계 연구자들에게 제공될 최대 규모의 공개 천문 데이터 자원이 될 것이며, 빅데이터 과학과 컴퓨터 과학 발전에도 새로운 도전을 제시할 것이다 .

 

 

과학적 목적 (주요 연구 목표)

 

루빈 천문대 LSST는 “어두운 우주, 동적인 우주”의 비밀을 풀기 위한 네 가지 핵심 과학 주제를 목표로 설계되었다 . 구체적으로, 우주론 분야의 암흑물질·암흑에너지, 태양계 내 소행성 등 소천체, 초신성을 비롯한 변광 천체, 그리고 우리은하의 구조와 은하 형성 과정에 대한 대규모 연구를 수행할 계획이다. 각 주제별로 LSST가 어떻게 기여할지 주요 예를 들어 살펴보면 다음과 같다:

 

• 암흑물질과 암흑에너지 우주론: LSST는 수십억 개의 은하를 관측하여 시간과 공간에 따른 우주 거대구조의 진화를 정밀하게 측정함으로써, 암흑물질의 분포와 암흑에너지의 거동을 규명하려 한다 . 특히 수십억 은하의 형태 왜곡을 측정하는 약한 중력렌즈 효과와 거대규모의 은하 클러스터 분포를 통해 암흑물질의 영향 지도를 작성하고, 수백만에 이르는 Ia형 초신성 거리측정을 통해 우주 가속 팽창률과 암흑에너지의 시간적 변화를 추적할 예정이다 . 예를 들어 LSST는 매년 약 25만 개씩, 10년간 총 250만 개 이상의 Ia형 초신성을 발견하여 암흑에너지의 상태방정식(parameter w) 값을 1% 이내의 정밀도로 제한하는 등 현존 최고 수준의 우주론 관측을 실현할 것으로 기대된다 . 또한 우주 전역에 걸쳐 균일하게 분포한 초신성 표본을 이용해 암흑에너지의 방향 의존성이나 암흑물질 분포와의 상관성 등 우주론의 3차원 “지도”를 작성함으로써, 암흑에너지와 수정중력설 등 다양한 우주론 모델을 검증할 수 있을 것이다.
• 태양계 소행성 및 소천체 탐사: LSST는 그 뛰어난 탐사 능력을 통해 태양계 내 수백만 개의 이동천체를 색상 및 궤도 정보를 포함해 측정함으로써, 태양계 연구에 일대 도약을 가져올 것이다 . LSST가 10년간 발견할 것으로 예상되는 소행성 수는 현재 알려진 것의 10100배에 이르며, 근지구천체(NEO)도 수십만 개 수준에서 포착할 것으로 추산된다 . 특히 지름 140미터 이상의 지구위협 소행성(PHA)의 경우, 관측 전략에 따라 전체의 6090%를 발견할 수 있을 것으로 전망되는데 , 이는 행성방어(지구충돌 위험천체 조기경보) 측면에서도 획기적인 성과다. 시뮬레이션 연구에 따르면 LSST 운영 첫 1년 만에 지름 약 50m급의 “도시 파괴자” 소행성을 9,000개 이상 새로 발견하여, 지금까지 파악된 동일급 위험천체 수를 단번에 두 배로 늘릴 것이라는 결과도 있다 . 이처럼 LSST가 제공할 방대한 소행성 데이터는 소행성 가족의 기원 연구, 행성 형성과 태양계 진화 시나리오 검증, 원반 잔해물(황도대 티끌 분포) 연구 등에도 두루 활용될 전망이다. 나아가 해왕성 궤도 너머의 카이퍼 벨트 천체와 장주기 혜성도 수만 개 이상 발견하여, 이른바 가상 행성 X(제9행성)의 존재를 탐색하거나 태양계 외곽 형성사를 이해하는 데도 중요한 단서를 제공할 것으로 기대된다 .
• 초신성 등 폭발현상과 변광천체: LSST는 넓은 하늘을 빠른 주기로 반복 촬영함으로써 시공간 영역의 천체물리학(time-domain astronomy)을 혁신할 것이다 . 관측 가능한 모든 천체에 대해 수년에 걸친 장기 광도곡선(light curve)을 확보하여 변광성, 신성, 초신성 등 알려진 변광 천체들의 물리적 특성을 정밀 규명하는 한편, 기존에 몰랐던 완전히 새로운 유형의 천문 현상을 발견할 가능성도 높다 . 예를 들어 LSST 자료로 수백만 개의 변광성에 대한 다색 광도곡선을 얻어 은하의 항성인구 및 진화 연구에 활용하거나, 수십만 개에 달하는 초신성 폭발을 이용해 항성 진화와 폭발 메커니즘을 통계적으로 분석할 수 있다. 또한 LSST는 수 초~수 일의 매우 짧은 시간척도에서 밝기가 급변하는 현상을 포착할 능력을 지녀, 예컨대 감마선 폭발(GRB)의 애프터글로우, 중성자별 합병에 따른 킬로노바 등 극적이고 희귀한 사건들도 실시간 추적할 수 있을 것으로 기대된다 . LSST는 매 관측에서 새로운 변화가 감지될 때마다 1분 이내에 전세계에 경보를 전송하므로 , 다른 망원경들이 그 신호를 즉각 추적 관측하여 사라져버리기 쉬운 천문 현상을 놓치지 않고 연구하도록 돕는다. 이러한 실시간 관측망은 다중 메신저 천문학에도 기여하여, 중력파 검출 사건이나 고에너지 중성미자 발생시 LSST가 자동으로 해당 영역을 촬영함으로써 광학 동반현상을 찾는 식의 협동 관측도 이루어질 것이다. 궁극적으로 LSST의 등장으로 과학자들은 시간에 따라 변화하는 우주의 모습을 총체적으로 파악하고, 폭발적 천문 현상의 모음집을 과거 그 어느 때보다 크게 확장하게 될 것이다 .
• 은하의 형성과 우리 은하 구조: LSST의 방대한 천체 카탈로그는 은하단위뿐만 아니라 국부은하군 및 우리 은하의 형성 과정을 밝히는 데에도 핵심 자료를 제공할 것이다 . 우선 LSST는 남반구 하늘의 절반 이상(약 18,000제곱도 영역)에 걸쳐 수십 회 이상의 반복 관측을 수행함으로써, 과거 어떤 조사보다 10배 이상 넓은 부피의 우주에 대한 지도를 완성할 예정이다 . 이 중에는 수백억 개에 이르는 외부은하들이 포함되어 있어, 은하의 밝기·크기·색 분포와 환경에 따른 은하 형성 진화의 경향을 통계적으로 연구할 수 있다. 특히 LSST는 약 수백억 개의 새로운 성운과 은하를 탐지할 것으로 예상되는데 , 이 데이터는 암흑물질의 거시적 분포(예: 우주 거미줄 구조)와 은하단/은하군의 형성사를 이해하는 데 활용될 것이다. 한편 우리 은하의 경우 LSST는 광범위한 영역을 수백 차례씩 관측하여 수억~수십억 개의 항성 개체에 대한 위치, 밝기, 색상 변화를 기록하게 된다 . 이를 통해 우리 은하 원반과 헤일로에 존재하는 미약한 성단과 왜소은하를 새롭게 찾아내거나, 은하 헤일로의 별 흐름(stellar stream)과 같이 은하 병합의 잔재 구조를 지도화함으로써 우리 은하의 형성 과정을 재구성할 수 있다. 또한 반복 관측으로 동일 별들의 미세한 고유운동까지 측정하면 은하 내부의 역학 구조와 암흑물질 헤일로 분포까지 제약할 수 있을 것으로 기대된다 . 이처럼 LSST의 대규모 천체 데이터베이스는 외부은하부터 우리 은하에 이르기까지 은하 형성·진화 이론을 검증할 풍부한 자료의 보고를 제공할 전망이다.

 

 

관측 전략 (하늘 주사 방식과 순환 주기)

 

전천 반복 스캔: LSST의 관측 전략 핵심은 하늘 전체를 빠르게 주기적으로 스캔하는 것이다. 망원경은 한 번에 넓은 영역을 촬영할 수 있으므로, 남쪽 하늘에서 볼 수 있는 대부분 영역(약 18,000평방도)을 체계적으로 분할해 촬영하고 다시 되돌아오는 방식을 취한다 . 앞서 언급했듯 대략 2~3일마다 모든 분할 영역을 한 바퀴 관측하게 되며 , 이러한 사이클로 연속 관측을 10년간 수행하여 각 지점을 평균 825회 이상 반복 방문할 계획이다 . 관측은 주로 야간에 이루어지며, 시간대와 계절에 따라 가용한 하늘의 부분을 최대한 활용하도록 관측 스케줄이 자동 최적화된다. 이때 달의 위상 등 조건에 따라 관측 필터와 노출 시간 등을 조절하여 효율을 높이는데, 예를 들어 어두운 신월 기간에는 어두운 천체까지 깊게 촬영하고, 밝은 달이 뜬 기간에는 비교적 밝은 천체나 근지구천체 위주로 관측하는 식이다. LSST의 이러한 “광대역-고속-심층(Wide-Fast-Deep)” 전략은 관측 시간의 약 90%를 상기 주력 전천 탐사에 투입하고, 나머지 10%는 특수 과학목적을 위한 부가 심우주 관측이나 은하평면 조사 등에 할애하는 방식으로 운영될 예정이다.

 

짧은 노출과 이중 촬영: LSST는 변광 및 이동천체 탐지 효율을 높이기 위해 같은 하늘 영역을 한 번이 아니라 연속 두 번 촬영하는 방식을 채택한다. 한 지점을 15초 노출로 촬영한 뒤 수십 초 이내에 같은 지점을 한 번 더 촬영하여, 이렇게 얻은 이중 영상에서 실시간으로 변화하거나 움직이는 객체를 판별하는 것이다 . 예컨대 빠르게 움직이는 근지구 소행성은 두 이미지 상에서 위치가 조금 이동한 것으로 나타나며, 초신성 폭발이나 신성 등의 발생은 두 번째 이미지에서 새롭게 밝아진 점으로 드러난다. 또한 이중 촬영은 우주선(cosmic ray) 노이즈나 위성 자리끈 등의 잡광 노이즈를 제거하는 데도 유용하다. LSST 파이프라인은 이러한 연속 관측 데이터를 실시간 처리하여 변화 감지 시 즉각 경보를 생성하며, 이러한 프롬프트 모드 처리를 통해 매 관측밤마다 최대 1,000만 건에 달할 것으로 예상되는 변화 이벤트를 전세계로 전송할 것이다 . 덧붙여, LSST는 6개 필터를 교체 사용하므로 같은 하늘 영역도 날씨와 과학 요구에 따라 다른 필터로 여러 번 촬영하게 된다. 10년간 누적하여 각 필터 밴드마다 수백 장씩 합치면 매우 고심도(딥) 천체 이미지를 얻을 수 있으며, 단일 노출로는 볼 수 없었던 희미한 천체들까지 드러나게 된다 . 이렇게 얻은 다색 심층 관측 자료는 우주론 연구나 은하탐사 등에서 기존 관측한계를 크게 확장시켜 줄 것으로 기대된다.

 

관측 시뮬레이션과 최적화: LSST 팀은 운영에 앞서 수많은 시뮬레이션 관측 스케줄을 돌려 최적의 전략을 수립해왔다. 기상 조건(구름, 시상 등) 모델, 달빛 모사, 다양한 과학목표 중요도 등이 고려된 관측 전략 위원회(Science Cadence Optimization Committee)의 권고안을 바탕으로, 주력 광역 탐사의 관측 밀도와 주기가 결정되었다. 기본 계획에 따르면 은하평면 근처의 복잡한 영역을 제외한 대부분 하늘에 고르게 관측을 배분하되, 특히 암흑에너지 연구를 위한 심우주 장면 4곳 정도는 선택적으로 수백 회 이상의 추가 관측을 수행할 예정이다. 또한 천문학자들은 커뮤니티 워크샵 등을 통해 특정 과학에 유리한 관측 전략(예: 초신성 최대 관측을 위한 빠른 재방문 또는 태양계 천체 탐색을 위한 황혼 시간대 관측 등)의 아이디어를 제안하고 평가해왔다 . 이러한 커뮤니티 참여를 통해 LSST의 관측 운영은 고정된 것이 아니라, 과학 목표 달성을 극대화하도록 유연하게 조율될 예정이다. 나아가 운영 도중에도 관측 데이터를 실시간 분석한 결과에 따라 전략을 미세 조정하거나, 새로운 천문현상이 발견될 경우 일시적으로 추가 관측을 편성하는 등 적응형 스케줄 운용도 고려되고 있다. 요약하면 LSST의 관측 전략은 “전천을 빠르고 반복적으로, 그러나 유연하게” 스캔함으로써 정적 우주에 시간의 차원을 부여하는 혁신적 접근이라 할 수 있다 .

 

 

우주 관측 응용 (활용 분야 및 예시)

 

LSST가 생산할 대규모 데이터와 관측 능력은 천문학 및 우주과학의 거의 모든 분야에 혁신적인 연구 기회를 제공할 것으로 전망된다. 아래에 그 구체적인 응용 예시를 몇 가지 들어본다.

• 별과 은하 진화 연구: LSST 데이터는 은하 및 항성 진화 연구자들에게도 귀중한 자원이 된다. 수십억 개에 달하는 은하 카탈로그가 작성되므로, 은하들을 형태별·질량별·환경별로 나누어 진화 단계에 따른 분포를 통계적으로 연구할 수 있다. 예를 들어 수십억 광년 거리까지 관측되는 수많은 은하들을 이용해 은하 형성 모델들을 검증하거나, 준위형은하(QSO)나 활동은하핵(AGN) 수백만 개의 변광 특성을 분석해 블랙홀 성장 이론을 시험하는 연구가 가능해진다 . 또한 우리 은하 내부의 성군 및 성협 탐색, 은하 헤일로의 위성은하 탐색 등은 LSST 데이터로 기존보다 훨씬 깊이 진행될 수 있다. 이미 여러 연구팀에서 LSST 모의데이터로 우리 은하 위성 왜소은하 탐색 실험을 한 결과, 기존에 발견된 것보다 훨씬 작은 질량의 왜소은하들도 다수 검출 가능함이 시사되었다. 이는 냉암흑물질 모형의 예측인 “은하 주변 숨은 위성은하” 문제를 검증하는 중요한 시험대가 될 것이다. 이 밖에도 LSST는 은하수 내 변광성 지도 작성, 성단의 입체적 구조 파악, 항성종족 분포 연구 등 성단·항성천문학 분야에도 방대한 자료를 제공하여, 은하 진화에 관한 거시적 그림뿐 아니라 미시적인 세부 물리까지 아우르는 종합적인 천체진화 연구를 가능케 한다.

 

연구 참여 기회 (국제 공동연구 및 데이터 접근성)

 

대규모 국제 협력: LSST 프로젝트는 미국 국립과학재단(NSF)과 에너지부(DOE)가 주도하고, 전 세계 여러 국가의 연구기관이 참여하는 국제 공동연구 사업이다 . 미국과 칠레가 주요 파트너로서 망원경 건설과 운영을 책임지며, 프랑스, 영국, 캐나다, 일본, 한국 등 다수 국가의 연구진도 망원경 부품 제작이나 데이터 인프라 등 현물 기여 형태로 협력하고 있다. 이러한 국제 협력을 통해 LSST는 루빈 관측소 발견 동맹(LSST Discovery Alliance) 및 각종 과학 협력단(Science Collaboration)을 조직하여, 운영 전에부터 다양한 과학 목표에 대한 준비 연구를 진행해왔다 . 암흑에너지, 은하계 구조, 태양계, 시간영역천문학 등 주제별로 과학 협력단이 구성되어 있으며, 이들은 LSST 자료로 수행할 연구 전략을 수립하거나, 모의 데이터로 알고리즘 테스트를 진행하는 등 중요한 역할을 맡는다. 국제 협력에 참여하는 연구자들은 이러한 협력단을 통해 서로 소통하고 전문 지식을 공유하면서, 거대 과학 프로젝트의 일원으로 공동 성과를 창출할 수 있다 .

 

데이터 접근성과 공개: 루빈 천문대 LSST의 데이터 정책은 광범위한 연구사회 접근을 원칙으로 한다. 미국과 칠레 소속의 모든 과학자와 학생들에게는 LSST 데이터에 대한 기본 접근 권한이 주어지며, 그 외에도 공식 국제 파트너 기관에 속한 연구자들에게 데이터 접근권이 부여된다 . 이는 현재까지 LSST에 기여 의사를 밝힌 각국 과학자 수천 명을 포괄하며, 해당 데이터 권한 보유자 목록이 실시간으로 관리되고 있다 . 한편 LSST 관측으로 발생하는 실시간 경보 데이터(초신성 폭발, 소행성 발견 등)는 전 세계 누구에게나 공개된다. 노출 완료 후 60초 이내 생성되는 이러한 경보 스트림(alert stream)은 별도의 중계망을 통해 astronomer나 천문 동호인, 시민과학자들도 실시간으로 받아볼 수 있어, 원하는 경우 팔로업 관측이나 데이터 활용을 자유롭게 할 수 있다 . 주요 이미지 및 카탈로그 데이터 역시 1년 단위 데이터 릴리스 시점에는 포맷을 갖춰 공개되며, LSST 데이터는 비독점(non-proprietary) 원칙에 따라 특정 연구팀에 독점되지 않고 전 세계 과학 커뮤니티의 공공 재산으로 활용될 것이다 . 다만 방대한 데이터 양과 분석 부담을 고려하여, 루빈 관측소 측은 루빈 과학 플랫폼(RSP)이라는 클라우드 기반 데이터 분석 환경을 제공하고 있다 . 데이터 권한이 있는 연구자들은 이 플랫폼에 접속해 거대한 LSST 데이터에 가까이에서(데이터가 저장된 곳에서) 쿼리와 분석을 수행할 수 있으며, Jupyter 노트북 등 인터페이스를 통해 손쉽게 빅데이터를 다룰 수 있다. 또한 미국 NCSA와 프랑스 CC-IN2P3 등에 독립 데이터 액세스 센터를 구축하여, 지역 연구자들이 네트워크 병목 없이 LSST 데이터를 내려받아 활용할 수 있도록 할 예정이다 . 이처럼 LSST는 데이터 주권을 전 지구적으로 분산함으로써, 규모 면에서 사상 최대인 천문학 데이터를 보다 효과적으로 전 세계 인력이 공유·탐구하도록 지원한다.데이터 접근성과 공개: 루빈 천문대 LSST의 데이터 정책은 광범위한 연구사회 접근을 원칙으로 한다. 미국과 칠레 소속의 모든 과학자와 학생들에게는 LSST 데이터에 대한 기본 접근 권한이 주어지며, 그 외에도 공식 국제 파트너 기관에 속한 연구자들에게 데이터 접근권이 부여된다 . 이는 현재까지 LSST에 기여 의사를 밝힌 각국 과학자 수천 명을 포괄하며, 해당 데이터 권한 보유자 목록이 실시간으로 관리되고 있다 . 한편 LSST 관측으로 발생하는 실시간 경보 데이터(초신성 폭발, 소행성 발견 등)는 전 세계 누구에게나 공개된다. 노출 완료 후 60초 이내 생성되는 이러한 경보 스트림(alert stream)은 별도의 중계망을 통해 astronomer나 천문 동호인, 시민과학자들도 실시간으로 받아볼 수 있어, 원하는 경우 팔로업 관측이나 데이터 활용을 자유롭게 할 수 있다 . 주요 이미지 및 카탈로그 데이터 역시 1년 단위 데이터 릴리스 시점에는 포맷을 갖춰 공개되며, LSST 데이터는 비독점(non-proprietary) 원칙에 따라 특정 연구팀에 독점되지 않고 전 세계 과학 커뮤니티의 공공 재산으로 활용될 것이다 . 다만 방대한 데이터 양과 분석 부담을 고려하여, 루빈 관측소 측은 루빈 과학 플랫폼(RSP)이라는 클라우드 기반 데이터 분석 환경을 제공하고 있다 . 데이터 권한이 있는 연구자들은 이 플랫폼에 접속해 거대한 LSST 데이터에 가까이에서(데이터가 저장된 곳에서) 쿼리와 분석을 수행할 수 있으며, Jupyter 노트북 등 인터페이스를 통해 손쉽게 빅데이터를 다룰 수 있다. 또한 미국 NCSA와 프랑스 CC-IN2P3 등에 독립 데이터 액세스 센터를 구축하여, 지역 연구자들이 네트워크 병목 없이 LSST 데이터를 내려받아 활용할 수 있도록 할 예정이다 . 이처럼 LSST는 데이터 주권을 전 지구적으로 분산함으로써, 규모 면에서 사상 최대인 천문학 데이터를 보다 효과적으로 전 세계 인력이 공유·탐구하도록 지원한다.

 

연구자와 학생의 참여 방법: 루빈 천문대는 개별 연구자와 학생들의 참여를 적극 독려하고 있다. 정식 데이터 권한이 있는 연구자라면 누구나 자신의 관심 주제에 맞는 LSST 과학 협력단에 가입하여 활동할 수 있다 . 협력단에 소속되지 않더라도, LSST 데이터는 공개 시점 이후 자유롭게 분석·논문 발표가 가능하므로, 연구자는 자신의 아이디어로 언제든지 LSST 공개 데이터를 활용할 수 있다. 현재 루빈 관측소에서는 커뮤니티 포럼(community.lsst.org)을 운영하여, 데이터 이용법, 소프트웨어 문서, 과학 Q&A 등을 제공하고 커뮤니티 구성원들이 서로 질의응답하도록 장려한다. 학생들의 경우, 자신의 지도교수가 LSST 협력단에 참여 중이면 자연스럽게 연구에 동참할 수 있으며, 그렇지 않더라도 LSST 관련 여름학교나 연수 프로그램을 통해 배울 기회가 있다. 예를 들어 LSSTC(LSST 협력기관 연합)에서는 대학원생과 학부생들을 위한 데이터 과학 펠로우십 프로그램(DSFP)과 여름 연구 인턴십(REU)을 운영하여, 참가 학생들에게 LSST 모의데이터로 데이터 분석과 기계학습을 실습하게 하고 있다 . 또한 LSST의 교육·홍보팀은 시민과학 프로젝트를 계획하고 있어, 일반 시민이나 학생들이 LSST 공개 데이터를 가지고 직접 과학적 발견에 기여하는 경험을 할 수 있도록 할 예정이다 . 요약하면 LSST 시대에는 학생부터 시니어 연구자까지 문호가 열린 참여형 천문 연구가 구현될 것이며, 전 세계 두루 다양한 사람들이 이 거대 과학에 동참하여 함께 성과를 나눌 수 있을 것이다.

 

연구자와 학생의 참여 방법: 루빈 천문대는 개별 연구자와 학생들의 참여를 적극 독려하고 있다. 정식 데이터 권한이 있는 연구자라면 누구나 자신의 관심 주제에 맞는 LSST 과학 협력단에 가입하여 활동할 수 있다 . 협력단에 소속되지 않더라도, LSST 데이터는 공개 시점 이후 자유롭게 분석·논문 발표가 가능하므로, 연구자는 자신의 아이디어로 언제든지 LSST 공개 데이터를 활용할 수 있다. 현재 루빈 관측소에서는 커뮤니티 포럼(community.lsst.org)을 운영하여, 데이터 이용법, 소프트웨어 문서, 과학 Q&A 등을 제공하고 커뮤니티 구성원들이 서로 질의응답하도록 장려한다. 학생들의 경우, 자신의 지도교수가 LSST 협력단에 참여 중이면 자연스럽게 연구에 동참할 수 있으며, 그렇지 않더라도 LSST 관련 여름학교나 연수 프로그램을 통해 배울 기회가 있다. 예를 들어 LSSTC(LSST 협력기관 연합)에서는 대학원생과 학부생들을 위한 데이터 과학 펠로우십 프로그램(DSFP)과 여름 연구 인턴십(REU)을 운영하여, 참가 학생들에게 LSST 모의데이터로 데이터 분석과 기계학습을 실습하게 하고 있다 . 또한 LSST의 교육·홍보팀은 시민과학 프로젝트를 계획하고 있어, 일반 시민이나 학생들이 LSST 공개 데이터를 가지고 직접 과학적 발견에 기여하는 경험을 할 수 있도록 할 예정이다 . 요약하면 LSST 시대에는 학생부터 시니어 연구자까지 문호가 열린 참여형 천문 연구가 구현될 것이며, 전 세계 두루 다양한 사람들이 이 거대 과학에 동참하여 함께 성과를 나눌 수 있을 것이다.

 

행성방어~~

음성변환.txt

0.01MB

 

 

 

📌 LSST(루빈 천문대)의 특징 요약 번역

 

 

🔭 기술적 특징과 차별성

• 최근 다양한 망원경이 많이 등장했지만, 루빈 천문대는 독보적인 위치를 차지하고 있음.
• 루빈 천문대는 오직 하늘 전역을 반복 관측(synoptic survey) 하기 위해 설계되었음.
• 지름 8m의 주경, 그리고 3.5도 시야각으로 아주 넓은 범위를 관측할 수 있음. 이는 일반적인 대형 망원경보다 훨씬 넓음.
• 공간 해상도는 1.2초각, 약 1m급 망원경 수준과 유사.
• 3.2 기가픽셀 카메라는 현재 세계에서 가장 크고 정밀한 천체 카메라.

 

 

🛰️ 과학 데이터와 관측 전략

• 루빈 천문대는 같은 하늘 영역을 2~3일 간격으로 반복 관측하며, 밝기나 위치 변화가 있는 경우 이를 감지함.
• 감지된 변화는 60초 이내에 전 세계에 경보(alert)로 전송됨.
• 10년 동안의 장기 광도곡선(light curve) 데이터가 구축될 예정.
• 차분 영상 분석(differential image analysis)을 통해 천체의 밝기 변화, 위치 이동 등을 파악함.

 

 

💾 데이터 종류

• Prompt data products: 60초 이내에 실시간 생성되는 데이터 (변광성, 소행성 등 감지 결과).
• Data release products: 1년 주기로 공개되는 이미지와 카탈로그. (SDSS 스타일)
• User-generated products: 사용자가 처리한 추가 데이터도 공유됨.

 

 

🌌 주요 과학 목표

 

• 암흑물질과 암흑에너지의 연구: 우주의 더 깊은 곳까지 관측함으로써 구조 형성과 진화를 연구.
• 태양계 조사: 수많은 소행성, 혜성, 근지구 천체를 새롭게 발견할 것으로 기대.
• 시간 영역 천문학(time-domain astronomy): 초신성, 킬로노바, 감마선 폭발, 변광성 등을 탐지.
• 은하 및 우리은하의 지도 작성: 더 정밀한 은하 구조 및 별 분포 지도 생성.

 

 

🌍 한국 및 국제 참여

• 루빈 천문대는 미국(설치 위치: 칠레) 중심이지만, 전 세계 30개국 이상이 참여하고 있음.
• 한국천문연구원(KASI)는 다음 세 가지 방식으로 ‘현물 기여(in-kind contribution)’ 중:
  1. 소프트웨어 개발 등 운영 지원
  2. 후속관측용 망원경 시간 제공
  3. 독립 데이터 액세스 센터(한국 설치 예정) 제공

 

 

🇰🇷 한국 연구자의 참여

• 한국은 제한된 수의 데이터 라이트(data rights)를 가지고 있음 (즉시 데이터 접근권 보유자).
• 이 권리는 2026년 6월 종료 예정이며, 2025년 말~2026년 초 새롭게 공모 예정.
• 학생과 연구자는 K-LSST 협력체(Korean Rubin Science Collaboration)에 가입 가능.
• 루빈 데이터 아카데미(Rubin Data Academy)는 누구나 무료 참여 가능(데이터 라이트 없어도 가능).
• 데이터는 향후 공개되며, 2년 후부터는 일반 사용자도 접근 가능.

 

 

📡 데이터 흐름

• 관측된 데이터는 칠레 → 미국 → 유럽 및 한국 등 데이터 센터로 전송.
• 실시간 감지된 이벤트는 중간 브로커(alert broker)로 전달되어 사용자의 관심사에 따라 필터링·분류됨.
• 예: “나는 초신성에 관심 있다” → 해당하는 이벤트만 자동 전달받음.

 

 

💡 결론 및 조언

• LSST는 우주의 변화, 폭발, 이동 현상 등 시간에 따른 사건들을 감지하는 데 최적화됨.
• 컴퓨터공학, 데이터과학, 천문학의 융합 연구에 최적의 테스트베드.
• 특히 루빈이 제공할 변광천체, 초신성, 다중 메신저 천문학 데이터는 한국에서도 전략적으로 연구될 수 있음.
• 향후 데이터 라이트 공모 및 Rubin Data Academy 참여 기회에 주목할 것.

---

🔭 An Introduction to Machine Learning

변용익 교수님께 메일 보냈다가 포워딩해주신 신민수 박사님이 발표하시네

신민수 박사님 선배시라는 이화여대 안덕근 교수님도 여기 오심

 

 

 

 

 

메일에서 말씀하셨던 이준구 박사님이랑 변용익 교수님 언급하심

친하신가봐

---

🔭 Summary of the practical application tutorial activities

 

Contents

• Classification / Regression

• Decision Trees / Random Forest
• Artificial Neural Networks
• Convolutional Neural Networks / Deep Learning
• Transfer Learning and Fine-tuning
• Real data applications
• Star/Galaxy/QSO classification in SDSS photometry
• Photometric redshift estimation using SDSS 5 bands
• Galaxy image classification (GalaxyZoo)
• Talk to us about your own data - we could help

 

 

 

🌳 Decision Tree (결정 트리)

 

데이터를 조건 기반(if-else)으로 분할하여 예측을 수행하는 트리 형태의 지도학습 모델

분류(Classification) 또는 회귀(Regression) 문제에 모두 사용

 

🧩 구성 요소

• Root Node (루트 노드): 첫 번째 분할이 이루어지는 특징(feature)
• Decision Node (결정 노드): 특정 조건에 따라 데이터를 분할하는 지점
• Branches (분기): 조건의 참/거짓 결과에 따른 경로
• Leaf Node (잎 노드): 최종 예측 결과가 출력되는 지점 (클래스 or 수치)

 

🔍 작동 원리 (분할 기준

• 분할할 때는 다음과 같은 기준을 사용해 정보 이득이 높은 특징을 선택한다:
  • Gini Impurity (지니 불순도)
  • Entropy / Information Gain (엔트로피 기반 정보 이득)
  • Variance Reduction (회귀의 경우 분산 감소)

 

 

🌲 Random Forest (랜덤 포레스트)

 

여러 개의 Decision Tree를 생성하고 앙상블(ensemble)하여 예측 정확도를 높이는 배깅(Bagging) 기반 모델

 

🧬 핵심 아이디어

• 여러 개의 결정 트리를 만들고, 각 트리의 예측을 다수결(voting) 또는 평균으로 합침
• 데이터 샘플을 무작위로 뽑아(Bootstrap Sampling) 각 트리 학습
• 각 트리에서 특징도 무작위로 선택하여 분할에 사용

 

🔧 작동 메커니즘

1. 전체 데이터셋에서 여러 개의 부트스트랩 샘플 생성
2. 각 샘플마다 Decision Tree 훈련
3. 각 트리는 일부 랜덤 선택된 특징만으로 분기 결정
4. 최종 예측:
   • 분류: 다수결 (Majority Vote)
   • 회귀: 평균값 (Mean Prediction)

 

 

✅
 Transfer Learning은 기존 모델의 지식을 다른 작업에 적용하는 넓은 개념이고,
 Fine-tuning은 그 전이 학습 과정에서 기존 모델의 일부 또는 전체를 다시 학습시키는 기법

 

 

📌 합성곱 신경망(CNN)

 

뇌의 시각 피질에서 영감을 받아, 이미지의 국소적 특징(에지, 윤곽 등)을 자동으로 추출하고,

점차 추상적 표현(모양, 패턴, 의미)으로 확장해가는 신경망 구조.

 

 

🧩 구성 요소

 

 

1. 합성곱 층 (Convolutional Layer)

• 커널(필터)을 사용하여 입력 이미지와 합성곱 연산을 수행
• 하나의 필터는 특정 패턴(예: 가로선, 점, 경계 등)을 감지함
• 여러 개의 필터를 사용하면 다양한 특징을 학습할 수 있음

 

2. 활성화 함수 (ReLU)

• 비선형성을 도입해 복잡한 관계 학습 가능
• 주로 ReLU(Rectified Linear Unit) 사용: f(x) = max(0, x)

 

3. 풀링 층 (Pooling Layer)

• 특징맵(feature map)의 공간 크기를 줄여 계산량 절감
• 대표적으로 최댓값 풀링(Max Pooling) 사용 → 가장 강한 특징만 유지
• 위치 변화(translation)에 강한 모델을 만듦

 

4. 완전 연결층 (Fully Connected Layer)

• 추출된 특징을 기반으로 최종 예측 수행
• Flatten 과정을 거쳐 분류 or 회귀로 연결

 

 

 

오.. 한 시간 만에 머신러닝 기초부터 CNN까지 강의하시다니

---

밥먹어야지 총총