천문학 분야의 파운데이션 모델(FM)이 실제 우주 이미지 데이터보다 관측 목록(catalogue) 정보에 더 크게 영향을 받아 예측에 심각한 편향을 일으킨다는 연구 결과가 발표되었습니다. 이 연구는 2억 개 이상의 천체를 학습한 39가지 양식의 트랜스포머 모델인 AION-1을 분석했으며, 모델이 이미지 픽셀 정보가 아닌 '탐지 채널'에 과도하게 의존하여 플럭스, 크기, 타원율, 적색편이(redshift) 등 핵심 천문량 예측을 최대 4400배까지 왜곡할 수 있음을 밝혀냈습니다.
연구팀은 이미지 토큰을 동일하게 유지한 채 탐지 채널의 분할 지도(segmentation map)만 수정하는 방식으로 모델의 입력에 인과적 개입(causal intervention)을 가했습니다. 그 결과, 모델의 예측값은 마스크가 포함하는 빛의 양(r=0.30)보다는 단순히 필드 중앙에 객체가 존재한다는 사실(r=0.47)에 더 크게 반응했습니다. 이는 모델이 실제 빛의 분포를 분석하기보다, 객체가 '탐지되었다'는 목록 정보를 맹신하고 있음을 시사합니다. 특히, 레거시 서베이(Legacy Survey) 파이프라인에서 3.68%의 천체가 분할 지도에 누락되었을 때, 이 누락이 전파되어 단층 촬영 평균 적색편이를 LSST DESC 요구사항의 중앙값 0.71배만큼 이동시키며, 최악의 경우 8.3배까지 초과하는 것으로 나타났습니다. 이는 대규모 우주론 연구의 정확성에 치명적인 영향을 줄 수 있습니다.
이러한 결과는 천문학 파운데이션 모델의 신뢰성에 대한 중요한 경고등을 켜는 것입니다. 모델이 학습 데이터의 불완전성을 그대로 답습하여 체계적인 오류(systematic error)를 내재화하고 있다는 의미이기 때문입니다. 특히, 모델의 규모가 커질수록 이러한 효과가 증폭된다는 점은 우려스러운 부분입니다. 이번 연구는 천문학 AI 모델 개발자들이 실제 관측 데이터의 물리적 특성을 더 잘 반영하고, 불완전한 목록 정보에 대한 의존도를 줄이는 방향으로 모델을 설계해야 할 필요성을 강조합니다. 이는 미래의 정밀한 우주 지도 제작과 우주론 연구의 정확도를 높이는 데 필수적인 과제입니다.