2000년대 이후 청화대 학생, AI 활용해 대기권의 '마법공격' 물리치고 우주의 본래 모습 되찾아
대기의 존재는 지구 생명체에 필수적이지만, 천문 관측의 경우 대기로 인해 가시성 저하, 시력 저하, 대기 소멸과 같은 현상이 발생할 수 있습니다.세계 최고의 지상형 천문 망원경을 사용하더라도, 얻은 천문 이미지는 흐릿합니다.이런 흐릿함으로 인해 때로는 물리적 측정에 오류가 발생하여 천문학자의 과학적 연구 진행에 영향을 미칩니다.
이러한 과제를 해결하기 위해 최근 미국 청화대학교의 Li Tianao와 노스웨스턴대학교의 Emma Alexander를 포함한 연구진이시뮬레이션된 데이터를 사용하여 컴퓨터 비전 알고리즘을 훈련하여 천문 이미지를 선명하게 하고 "복원"했습니다.이 알고리즘은 베라 C. 루빈 천문대의 이미징 매개변수와도 일치하여, 내년에 개관하는 천문대와 직접 호환이 가능합니다.
현재, 약한 중력 렌즈를 위한 갤럭시 이미지 디컨볼루션이라는 연구 결과가 풀린 플러그 앤 플레이 ADMM을 사용하여이 내용은 왕립 천문학회의 월간 보고서에 게재되었습니다.
연구 결과는 영국 왕립 천문학회 월간지에 게재되었습니다.
서류 주소:
https://academic.oup.com/mnrasl/article/522/1/L31/7075894
실험 세부 정보: AI 알고리즘을 사용하여 천문 이미지의 신비를 풀어줍니다.
본 논문에서 연구팀은 타원율 오차, 계산 시간, PSF 오차에 대한 민감도를 포함하여 실제 시뮬레이션 데이터에 대한 고전적인 디블러링 방법과 현대적인 디블러링 방법을 벤치마킹했습니다. 결과는 다음과 같습니다Unrolled-ADMM은 기존의 흐림 제거 방법과 비교했을 때 오류를 38.6%만큼 줄이고, 최신 방법과 비교했을 때 오류를 7.4%만큼 줄였습니다.
Modern Methods GitHub 주소:
https://github.com/lukeli0425/galaxy-deconv
이미지 처리
기존 방법을 벤치마킹하고 신경망을 훈련하려면 깨끗한 기준 이미지와 실제 PSF, 노이즈가 많은 흐릿한 이미지를 함께 사용해야 합니다. 이를 위해,연구원들은 Galsim을 사용했습니다. (모듈형 은하 이미지 시뮬레이션 툴킷) 그리고 COSMOS(COSMOS 실제 은하 데이터 세트)를 사용하여 지상 기반 관측을 시뮬레이션하고 실험 데이터 세트를 생성합니다.
갈심:
https://github.com/GalSim-developers/GalSim
COSMOS 실제 은하 데이터 세트:
https://doi.org/10.5281/zenodo.3242143
원본 이미지는 약한 렌즈 효과를 시뮬레이션하기 위해 무작위로 자르고 회전한 다음, 무작위 대기 및 광학 PSF와 합성하고 가우시안 노이즈를 추가하기 전에 밝기를 조절합니다. 마지막으로, 모든 이미지는 LSST의 픽셀 스케일로 다운샘플링됩니다.
해당 데이터 세트는 이제 HyperAI 공식 웹사이트에서 사용할 수 있습니다.
https://hyper.ai/datasets/23544
신경망 학습
연구진은 Adam 옵티마이저를 사용하여 NVIDIA GeForce RTX 2080 Ti GPU에서 40,000개의 샘플을 훈련했습니다.다중 스케일 L1 손실 함수는 50개 에포크에 대한 기준 이미지와 재구성된 이미지를 훈련하는 데 사용되었습니다.각 반복 횟수(N=2,4,8)에 대해 별도의 네트워크가 훈련되었으며, ResUNet을 잡음 제거 플러그인으로 사용했습니다(매개변수 17,007,744개).신경망에 스킵 연결 도입,이를 통해 반복 횟수를 늘리고 신경망을 심화함으로써 발생하는 기울기 소멸이나 폭발을 방지할 수 있습니다. 동시에,CNN(80,236개 매개변수)을 훈련하여 단계 크기 하이퍼매개변수를 학습합니다.
신경망 학습 중,연구원들은 PyTorch를 사용했습니다.데이터세트 생성 및 벤치마킹 도구를 동시에 제공합니다.
GitHub 주소:
https://github.com/Lukeli0425/Galaxy-Deconv
다양한 SNR 레벨에서의 성능
연구자들은 제안된 방법을 다양한 SNR 수준에서 테스트하고 다른 알고리즘과 그 성능을 비교했습니다(아래 그림 참조). 낮은 신호 대 잡음비에서 Richardson-Lucy 알고리즘은 더 많은 노이즈가 있는 재구성 결과를 생성하는 것으로 나타났습니다.은하계는 점차 배경의 시끄러운 패턴 속으로 사라질 것입니다.
현대의 방법으로는 배경 소음을 억제할 수 있지만,하지만 그것은 은하의 모양을 왜곡시킬 것이다.이는 특히 신호 대 잡음비가 낮을 때 두드러집니다. 연구진은 타원율 추정을 위해 FPFS 제품군을 사용하고, 역 필터링을 위해 알려진 PSF와 결합하거나, 역 필터링 없이 안정적인 추정치로 단일 지점 PSF를 사용하여 이 논문에 포함된 모든 디컨볼루션 방법의 출력에 적용했습니다.
SNR이 감소함에 따라,이 논문에서 제안한 펼친 ADMM을 제외한 모든 방법은 점차 효과가 없어진다.
위 그림에서 보듯이 SNR이 감소할수록이 논문에서 제안한 8회 반복 펼친 ADMM 신경망은 다양한 SNR에서 가장 좋은 성능을 보였습니다.
시간-성능 균형
아래 그림에서 보듯이, 세 개의 이미지에 해당하는 은하 이미지 신호 대 잡음비는 각각 20, 40, 100입니다. 오차 막대는 표준 오차의 5배를 나타내고, 괄호 안의 숫자는 반복 횟수를 나타냅니다.
본 논문에서 제안하는 8회 반복 풀기-ADMM 방법은 다른 SNR 수준에서 다른 방법보다 더 나은 성능과 더 낮은 분산을 보여줍니다.하지만 그 대가로 계산 시간이 길어진다.
PSF의 체계적 오류에 대한 견고성
실제 관측에서 은하 중심의 PSF는 별에서 측정한 PSF를 보간하여 계산됩니다. 그러나 시야에서 PSF의 공간적 분산은 종종 모델링하기 어렵습니다. 따라서 보간법으로는 은하 사이의 효과적인 PSF를 정확하게 재구성할 수 없습니다.이를 위해서는 디컨볼루션 알고리즘이 PSF의 체계적 오류에 강해야 합니다.
아래 그림에서 볼 수 있듯이, 왼쪽 그림은 가정된 PSF의 전단 오차에 해당하고, 오른쪽 그림은 PSF의 크기 오차(FWHM)에 해당합니다. 수평축 아래의 만화 막대는 PSF의 체계적 오차를 시각적으로 표시할 수 있습니다.
연구자들이 제안한 펼쳐진 ADMM과 고전적 방법은 모델 불일치에 더 민감합니다.PSF 오차가 큰 경우, 펼쳐진 ADMM은 현대적 방법과 동등하거나 더 나은 성능을 보입니다.
절제 연구
네트워크 구조를 변경하고 재교육을 통해연구자들은 펼쳐진 ADMM에 대한 개별적인 디자인 선택의 효과를 분리했습니다.아래 그림에서 보듯이, 제안된 다중 스케일 손실에서 손실 함수를 Shape Loss(청록색 점선으로 표시) 또는 MSE(청록색 실선으로 표시)로 변경하면 성능이 약간 저하됩니다. 하이퍼파라미터 SubNet(보라색 점선) 또는 후속 반복 계층을 제거하면 높은 SNR에서 성능이 저하됩니다. 디노이저를 디컨볼루션 없이 훈련하면(ADMMNet 스타일 훈련) 성능이 상당히 저하됩니다.
본 연구는 실험을 통해 위와 같은 결과를 얻었다.그러나 연구자들은 다음과 같은 분야에서는 향후 개선이 여전히 가능하다고 제안합니다.
* 더 나은 성능을 달성하기 위해 PSF의 고차 오류를 고려하고 해결합니다.
* 더욱 정확한 LSST PSF 광학 모델과 더욱 현실적인 생성 모델을 사용하면 시뮬레이션 데이터를 개선할 수 있습니다.
* PSF 보간은 파이프라인에 포함될 수 있으며 저랭크 디컨볼루션과 결합될 수 있습니다.
현재,이 연구를 위한 시뮬레이션 데이터를 재생성하는 코드와 데이터 세트 링크는 오픈 소스로 공개되었습니다.
청화대 수석생, 과학 연구와 관심사 완벽하게 결합
이 논문의 첫 번째 저자인 Li Tianao는 주목할 가치가 있습니다.학부 과정청화대학교 전자공학과.그의 개인 웹사이트에 따르면, 그는 청화대학교 시각 지능 및 계산 영상 연구실에서 연구 조수로 일했습니다.현재 노스웨스턴 대학교의 생물학적으로 영감을 받은 시각 연구실에서 연구 인턴으로 일하고 있습니다.Emma Alexander(본 논문의 두 번째 저자)의 지도를 받아 연구했습니다.
보도에 따르면, 그는 주로 계산 영상, 컴퓨터 비전, 신호 처리, 최적화 및 머신 러닝의 교차점에 초점을 맞추고 있으며, 특히 영상 분야의 역문제 해결, 물리학 기반 머신 러닝 및 천문 영상 연구에 주력하고 있습니다.
요즘에는 과학 AI가 모든 분야에서 등장하고 있으며 천문학도 예외는 아닙니다.컴퓨팅 능력의 향상과 빅데이터 시대의 도래로 원래 엄청난 컴퓨팅 능력이 필요했던 천문학 분야에 더 많은 가능성이 열렸습니다.
일본 과학자들은 AI 기반 스마트 망원경을 사용하여 우주의 물체를 분류하고, 이를 통해 물리학자들이 가설을 세우고 검증하는 데 도움을 주고 있습니다. 인도 천문학자들은 5,000개의 알려진 행성 중에서 인간이 거주할 수 있는 행성을 약 60개 정도 식별하는 새로운 AI 알고리즘을 개발했습니다. 천문학자 그룹은 은하 병합에 대한 연구에서 처음으로 AI를 사용하여 은하 병합이 별 폭발로 이어진다는 것을 확인했습니다.텐센트와 국가천문대는 별 탐사의 효율성을 높이기 위해 '별 탐사 프로젝트'를 시작했습니다.
점점 더 많은 천문학자들이 AI를 강력한 탐사 도구로 활용하고 있습니다. 중국과학원 국가천문대 연구원이자 FAST의 수석 과학자인 Li Qi는 다음과 같이 말했습니다.천문학이 머신 러닝, 딥 러닝 및 기타 기술을 사용했는지 묻는 것은 천문학이 20년 전에 컴퓨터를 사용했는지 묻는 것과 같습니다.