스파이크 신경망을 활용한 RFI 탐지

무선 주파수 간섭(RFI)를 탐지하고 완화하는 것은 전파망원경의 과학적 성과를 확보하고 극대화하는 데 있어 핵심적인 과제이다. 최근 기계학습 기법의 등장으로 인해 라디오 천문학 분야, 특히 RFI 탐지에 이러한 기법들이 활용되고 있다. 스파이킹 신경망(SNN)은 생물학적 시스템을 모방한 구조를 지니고 있어 시공간적 데이터 처리에 매우 적합하다. 본 연구는 천문학적 데이터 처리 과제, 구체적으로 RFI 탐지에 대해 SNN을 처음으로 탐색적으로 적용한 사례를 제시한다. 이전 연구자들이 제안한 가장 근접한 은닉 이웃(NLN) 알고리즘과 오토인코더 아키텍처를 직접 ANN→SNN 변환을 통해 SNN 실행에 적응시킴으로써, 내부 스파이킹 뉴런에서 자연스럽게 변하는 은닉 공간을 샘플링함으로써 간단한 후속 RFI 탐지가 가능하게 했다. 이후의 평가에서는 SNN이 향후 RFI 탐지 체계에 실용적으로 활용될 수 있는지 여부를 검증하고자 하였다. 평가에서는 원저자들이 제공한 시뮬레이션된 HERA 망원경 데이터셋과 수동 라벨링이 이루어진 LOFAR 관측 데이터셋을 사용하였으며, 추가적으로 위성 기반 RFI에 초점을 맞춘 새로운 MeerKAT 기반 시뮬레이션 데이터셋을 활용하여 기계학습 기반 RFI 탐지 방법의 기술적 도전 과제를 평가하였다. 이 데이터셋은 점점 더 중요한 RFI 유형으로 부각되고 있는 위성 기반 간섭에 초점을 맞추고 있으며, 본 연구의 또 다른 기여점이다. 본 연구 방법은 HERA 데이터셋에 대해 기존 방법과 경쟁력 있는 AUROC, AUPRC 및 F1 점수를 보였으나, LOFAR 및 Tabascal 데이터셋에서는 어려움을 겪었다. 그러나 본 방법은 NLN에서 요구되는 계산 및 메모리 집약적인 은닉 공간 샘플링 단계를 완전히 제거하면서도 정확도를 유지하였다. 본 연구는 기존 및 새로운 위성 기반 RFI 소스에 대한 최소한의 성능 기준을 설정함으로써, SNN이 전파망원경에서 기계학습 기반 RFI 탐지의 전망 있는 방향성임을 입증하였으며, 본 연구는 SNN을 천문학 분야에 적용한 최초의 사례로 알려져 있다.