개회 및 인사

중점연구소 여름 학교 (제1강) - 중력렌즈 입문

• 미진 윤

Day 1: Constraints on baryonic feedback effect and cosmology from weak lensing 우주론 모델의 중요한 계통적 오차인 바리온 피드백을 우주론의 변수들과 함께 관측 데이타를 이용해 동시에 결정한 연구들에 대한 소개를 하고자 합니다. 실제 약렌징 우주론 분석이, 2점함수 분석과 우주론 모델, 베이지안 추론 방법을 통해서 이루어지는 과정을 자세히 다룰 것입니다. 헤일로 모델을 기반으로 바리온 피드백 모델이 유체역학 시뮬레이션을 통해서 어떻게 모델화 돠었는지에 대해서도 설명 드리겠습니다. 특별히 기존의 Kilo-Degree Survey 분석에서 바리온 피드백을 검출하기 위해 개선된 점에 대해서도 다룰 것입니다. 발표의 끝에 최근에 머신러닝 기법을 이용해 은하와 별을 구분하는 새로운 연구에 대해서도 짧게 언급하고자 합니다.

중점연구소 세부 연구팀 발표 (Ia) - Data driven Cosmology

• Sangnam Park

제목: CNN weak lensing mass reconstruction 초록: 약한 중력렌즈 효과에 의한 은하 모양의 변형 데이타를 인공신경망 CNN 으로 학습하도록 하여 병합은하단의 질량분포를 재구성하고 이를 기존의 해석적 방법과 비교

중점연구소 세부 연구팀 발표 (Ib) - Particle Physics

• YounJung Roh

제목: 고에너지 입자 충돌 데이터 연구 초록: LHC-CMS 고에너지 입자 충돌 사건 데이터를 기반으로 제트를 분석 이해하고, 탑 입자와 같은 고에너지 기본 입자 성질을 파악하는 연구를 계획하였다. 충돌 에너지가 높은 입자 충돌 사건의 경우 기본 입자를 재구성하고 충돌 사건의 물리적 특성을 기반으로 데이터를 분류하는 기존의 분석 방식에 한계가 있어, 과거 축적된 데이터 분석 방식을 적극 활용하여 고에너지 입자 분석에 활용하는 동시에, 새로운 데이터 분석 방식을 도입하여, 개선된 연구를 위한 연구 기법 다각화를 모색하였다. 이를 위하여 새로이 추가된 머신 러닝 알고리즘 연구 기법은 기존에 행해지던 표준 모형 및 새로운 물리 현상 연구 방식을 발전시켰다. 또한, 추가된 머신 러닝, 딥러닝 연구 기법은 새로운 충돌 실험의 검출기 연구에 활용할 수 있다.

중점연구소 여름학교 (제2강) - 중력렌즈 입문

• 미진 윤 (German Centre for Cosmological Lensing)

Day 2: Multi-wavelength cluster studies 다파장 관측자료는 충돌하는 은하단 연구를 위해서 매우 중요한 역할을 합니다. 최근에 발표한 논문인 A521 은하단에 대한 분석 과정에 대해서 자세히 다루고자 합니다. 무엇보다 약렌징 분석을 통해서 은하단의 각각의 구조에 대한 질량 결정과, 또 이 질량을 이용한 충돌 시나리오 결정 시뮬레이션은 추후의 충돌 은하단 분석을 이용한 암흑 물질 성질 결정에 중요한 역할을 할 것입니다. 발표의 마지막에 은하단에서 일어나는 확대 (magnification) 효과에 대한 새로운 관측 자료 분석 연구에 대한 소개도 짧게 언급하고자 합니다.

중점연구소 워크숍 세부 연구팀 발표 (I-c): Astroparticle Physics at HAWC & SWGO

• Chang Dong Rho (University of Seoul)

HAWC 실험 관련 성과 발표: 1. Machine learning을 활용하여 HAWC의 data reconstruction 향상 2. HAWC의 charge calibration 3. J1842 지역의 modeling 4. 쌍성계 관련 연구 5. Neutrino emission과 연계된 GRB 모니터링 셋업

중점연구소 워크숍 세부 연구팀 발표 (II-a) : Complex system

• Yungi kwon

제목: Measuring the functionality of traffic network 초록: 도심 속 도로망에는, 하루하루 그리고 시시각각, 수많은 차량들이 운행되고 있습니다. 그로 인해 겪는 극심한 정체현상은 이젠 우리에게 일상이기도 하지만, 해결해야할 과제이기도 합니다. 그러기 위해서는 우선 도로 시스템의 상태를 정확히 진단하고, 그로써 시스템의 특징 및 성질을 이해할 수 있어야 합니다. 이를 위해 우리는 통계물리 및 네트워크 과학 분야의 Percolation 접근방식과 Efficiency 개념을 도로망 분석에 적용하였습니다. 서로 다른 두 방식이 도로망의 상태에 대해 진단하는 바와 두 결과를 통해 어떤 실용적인 해석이 가능할 지 이번 발표에서 소개하고자 합니다.

중점연구소 여름학교 (제3강) - 중력렌즈 입문

• 미진 윤 (German Centre for Cosmological Lensing)

Day 3: Small-scale systematics in weak lensing & Metacalibration pipeline in Kilo-Degree Survey 발표의 첫번째 부분은 작은 스케일의 계통적 오차를 줄이기 위한 새로운 통계치(estimator)로 COSEBI를 소개 하고자 합니다. 특별히 은하 편향(galaxy bias)의 모델을 가정했을 때, 서로 다른 통계치를 사용할 때, 얼마나 은하 편향의 효과가 달라지는 냐에 대한 분석을 진행했고, COSEBI의 경우에 이 효과가 덜한 것을 증명했습니다. 발표의 두번째 부분은 Kilo-Degree Survey에서 새로 개발되고 있는 은하 모양 측정/보정 파이프라인인 Metacalibration에 대해서도 소개 하고자 합니다.

중점연구소 워크숍 세부 연구팀 발표 (II-b): ML applications in Condense Matter Physics

• Minwoo Park

제목: Ab initio study for electron-phonon coupling of Nb-doped SrTiO3 with jellium model 초록: Unconventional 초전도체로 알려진 SrTiO3(STO)에서 Nb를 도핑하여 BCS gap등을 측정한 최근 실험 보고가 있었습니다. 그래서 저희는 제일원리계산을 통하여 Nb 도핑된 STO에서 왜 BCS 타입의 초전도현상이 일어나는지 설명하고자 합니다. 낮은 농도의 도핑을 묘사하기위해 jellium model을 사용하였고 이것을 이용한 포논계산 결과가 실험측정치와 잘 맞는다는 것을 확인했습니다. 이 낮은 농도의 도핑이 포논 진동 모드나 전자구조등에는 어떤 영향이 있는지 소개하고자 합니다.

중점연구소 워크숍 세부 연구팀 발표 (II-c): System Biology

• Hyukjong Lee
• Jinsoo Park

Jinsoo Park 제목 : An Contrastive Image Captioning Model and Future Directions in Medical AI 초록: 최근 인공지능 분야에서 딥러닝이 발달함에 따라 의학 분야에도 딥러닝이 널리 적용되고 있다. 본 발표에서는 X-ray 이미지로부터 판독문을 자동으로 생성해내는 Medical Image Captioning 모델을 제안한다. 제안하는 모델은 유증상 이미지와 무증상 이미지 간의 차이를 추출하는 Contrastive Attention Block과 Visual Encoder를 결합한 것으로, 해당 Visual Encoder와 판독문을 생성해내는 Language Model을 동시에 학습하는 End-to-End Training을 한다는 것이 기존 모델들과의 차별점이다. 이런 방식으로 학습된 모델은 2단계로 학습한 기존 모델보다도 5~10% 높은 Report Generation 성능을 보였으며, 학습을 끝낸 Visual Encoder는 더 좋은 Image Representation을 추출하는 모습을 보였다. 강연 후반부에서는 의학 딥러닝 분야의 근본적인 한계인 “신뢰(Trust) 및 데이타(Data) 부족”을 다루고, 각 문제 해결을 위해 앞으로 나아가야 할 방향 중 일부인 “설명가능 인공지능(XAI)과 연합학습(Federated Learning)”을 간단히 조망한다. Hyukjong Lee 제목 :Style Extractor Replacing Gram Matrix and Style Generator 초록 : Style Transfer는 Gram matrix를 이용하여 학습가능한 이미지로부터 원하는 스타일과 콘텐트를 만드는데 좋은 성능을 보였다. 하지만 이는 하나의 이미지를 만드는데 상당한 시간이 소요되며, Gram matrix의 사용이 왜 스타일 복원에 좋은지에 대해 밝혀진 바는 없다. 본 발표에서는 이를 대체할 수 있는 Style Extractor를 제안한다. 이는 기존 분류 모델의 학습 과정을 변형하여 스타일에 대한 representation을 학습한 네트워크이다. 또한 이를 AAE에 적용하여 Style Generator를 학습할 수 있는 방법을 제시한다. 이렇게 학습된 Generator는 콘텐트 이미지를 넣어주면 학습된 스타일이 적용된 이미지가 생성된다고 기대할 수 있다. 끝으로 latent vector를 활용하여 스타일에 대한 Disentanglement를 제안한다.

Closing remark

• Inkyu Park (University of Seoul)