머신러닝 모델이 활동적 은하핵의 지연(lags)을 탐지합니다
가장 에너지 넘치는 은하의 중심을 탐구하기 위해 천문학자들은 3D 반향 매핑을 사용합니다. 이 기술은 초대질량 블랙홀을 둘러싼 강착 원반이 방출하는 빛의 시간 지연 또는 lags를 분석합니다. 미래의 베라 루빈 관측소는 이 작업을 위한 대량의 데이터를 생성할 것이지만, 상당한 도전 과제도 제기하며 새로운 분석 도구가 필요합니다 🕰️.
지연(lags)이 원반의 숨겨진 구조를 드러냅니다
짧은 lags는 빛이 원반을 가로지르는 데 걸리는 시간에서 발생하며, 원반의 반경 방향 확장을 매핑할 수 있게 합니다. 반면, 더 미묘하고 포착하기 복잡한 긴 음의 lags는 물질이 내부로 흐르는 데 걸리는 시간과 관련되어 있으며, 원반의 수직 구조에 대한 단서를 제공합니다. 전통적인 방법으로 이러한 lags를 탐지하는 것은 매우 어렵습니다. 특히 데이터 시계열에 공백이 있거나 신호가 약한 경우에 그렇습니다.
새로운 관측 시대의 도전 과제:- 루빈 관측소는 수백만 개의 AGN을 관측할 것이지만, 데이터에는 계절적 공백이 있을 것입니다.
- 긴 음의 lag 신호는 본질적으로 약하고 쉽게 가려집니다.
- 고전적인 분석 방법은 예상되는 방대한 데이터 양을 처리하는 데 잘 확장되지 않습니다.
심지어 초대질량 블랙홀조차 응답에 지연이 있는 것 같습니다. 다만 그들의 경우 빛의 일 단위로 측정됩니다.
트랜스포머가 탐지를 혁신합니다
이러한 장벽을 극복하기 위해 트랜스포머 아키텍처 기반의 머신러닝 모델이 개발되고 훈련되었습니다. 이 모델은 루빈이 생성할 빛 곡선을 모방한 시뮬레이션된 빛 곡선을 검사하여 두 유형의 lags를 자동적이고 견고하게 식별합니다.
차별화된 결과:- 모델은 긴 음의 lag의 존재를 96%의 완전성과 0.04%의 오염으로 식별합니다.
- lag 값을 98%의 정밀도로 예측합니다.
- 기존 기술을 크게 능가합니다: 보간 교차 상관 함수는 54%의 정밀도를 달성하고 javelin은 단지