Executive Summary

주요 수치

출처: Rau 외, arXiv:2608.19272 (2026-08-18)

아래 네 숫자는 각각 다른 것을 잽니다. 앞의 둘은 이미 지어진 것의 규모이고, 뒤의 둘은 그 규모에 견주어 아직 지어지지 않은 것의 크기입니다.

세 서베이는 서로 다른 것을 잘합니다. 루빈은 미국 국립과학재단과 에너지부가 함께 지은 지상 망원경으로, 약 1만 8천 평방도의 하늘을 반복해서 훑으며 넓고 잦은 광학 관측을 냅니다. 유클리드는 유럽우주국의 우주망원경으로 이미 수천 평방도에 걸쳐 지상에서는 얻을 수 없는 해상도의 이미지를 내고 있습니다. 로먼은 미 항공우주국의 근적외선 우주망원경으로, 더 좁은 영역을 더 깊게 봅니다. 광학과 근적외선, 넓이와 해상도가 서로를 메웁니다.

논문은 전제를 하나 깔아 둡니다. 어느 프로젝트도 실패하고 있지 않습니다. 루빈의 데이터 생태계는 유례없는 규모의 커뮤니티 접근을 목표로 설계됐고, 로먼은 여러 핵심 항목에서 기술 요구사항을 넘어섰으며, 유클리드는 약속한 이미지를 이미 배달하고 있습니다. 각 팀은 자기가 맡기로 하고 예산을 받은 것을 정확히 만들어 내는 중입니다. 다만 그 설계들은 지금 세 데이터가 겹치는 자리에서 열리는 기회의 크기를 미처 예상하지 못한 시점에 그려졌습니다.

여러 파장에서 같은 천체를 보는 일 자체는 새롭지 않습니다. 1960년대부터 1980년대까지 다파장 천문학이 그 필요를 확립했고, 1990년대부터 2010년대까지는 그레이트 옵저버토리와 딥필드 캠페인이 그것을 관측 일정을 맞추는 조율의 문제로 다뤘습니다. 2020년대와 2030년대가 요구하는 것은 종류가 다릅니다. 관측을 조율하는 것이 아니라, 페타바이트급 서베이를 픽셀 수준에서 함께 처리하는 일입니다.

2000년대 초 GOODS가 그 차이를 가늠하게 해 줍니다. 허블의 고해상도 이미지를 위치와 형태의 사전 정보로 삼아 스피처의 훨씬 성긴 픽셀에서 일관된 측광을 뽑아냈고, 측광 산포와 적색편이 이상치가 눈에 띄게 줄었습니다. 그런데 그 범위는 330 제곱각분(arcmin²)에 불과했고, 그것만으로도 비범한 계산과 인력이 필요한 사업이었습니다. 지금 필요한 것은 진짜 동시 처리입니다. 한 서베이의 해상도가 다른 쪽 추출을 돕는 수준으로는 모자라고, 넓이도 수천 평방도입니다. 그래서 저자들은 이것을 GOODS의 점진적 확장이 아니라 다른 부류의 과제라고 부릅니다.

아래 도식이 이 글이 다루는 공백의 위치입니다. 위쪽 세 상자는 이미 지어졌고 예산이 붙어 있으며, 가운데 점선 상자는 필요하다는 데 이견이 없지만 누구의 임무도 아닌 자리입니다.

가장 자연스러운 해법부터. 한 서베이가 다른 서베이의 데이터를 자기 파이프라인에 그냥 가져다 넣으면 되지 않을까요. 논문은 여기서 구조적 한계에 부딪힌다고 말합니다. 어떤 데이터든 그 파이프라인을 만든 팀이 가장 잘 이해하기 때문입니다. 남의 데이터를 처리하는 프로젝트는 그 전문성 없이 일하게 되고, 같은 공백을 다른 이름으로 다시 만들어 냅니다.

계기 아티팩트가 이 말을 구체적으로 만듭니다. 잔상, 우주선 잔광, 스노볼, 미광처럼 검출기가 남기는 흔적은 저마다 다르고, 각 팀은 자기 것만 압니다. 외부 그룹이 그 지식을 믿을 만하게 재구성할 방법은 없습니다. 그래서 서베이를 가로지르는 일관된 플래깅은 공통 비트 규약과 각 서베이의 실제 아티팩트로 훈련된 도구를 요구하고, 결국 전문성을 한자리에 모으는 일로 귀결됩니다.

논문이 여기서 꺼내는 사례가 가장 단단한 증거입니다. DES와 KiDS는 두 개의 약한 중력렌즈 협업입니다. 둘은 카탈로그 수준에서 처음으로 결합 분석을 수행했고, 양쪽 팀이 모두 참여했습니다. 그런데 균일한 시스템 오차 보정은 스코프 밖으로 규정됐습니다. 전문성이 없어서가 아니었습니다. 그 일이 애초에 어느 협업의 할 일로도 정해져 있지 않았기 때문입니다.

자금 구조도 같은 방향으로 작동합니다. 기관과 프로젝트는 각 서베이에 정해진 요구사항을 먼저 충족시키고, 그 범위 밖 활동에 자원을 넣는 것은 그다음으로 미룹니다. 합리적인 우선순위입니다. 문제는 조인트 사이언스의 가치를 입증하려면 바로 그 범위 밖 작업이 필요하다는 점입니다. 여러 기관의 데이터와 인프라에 똑같이 기대는 연구는 어느 한 프로그램의 심사 기준에도 깔끔하게 들어맞지 않습니다. 논문은 이 상태를 관심은 공유되는데 소유권은 흩어져 있는 영역이라고 표현합니다.

수요가 없어서 생긴 공백도 아닙니다. 표준화된 선택지가 없으니 연구자들은 단일 서베이 파이프라인을 개조하고 자체 크로스매치를 만들어 씁니다. IRSA가 제공하는 튜토리얼은 시뮬레이션된 로먼과 루빈 필드에서 짝지은 컷아웃을 받아 오는 법을 알려 줍니다. 논문의 평가는 짧습니다. 작동은 합니다. 다만 손으로, 한 번에 데이터셋 하나씩 작동합니다.

조인트 처리가 없으면 정밀도가 조금 떨어지는 정도로 끝나는 과학도 있습니다. 사진 측광이나 광도곡선, 짝지은 천체의 컷아웃만 필요한 경우가 그렇습니다. 이런 건 계획된 공개 데이터 산출물이나 그것을 조금 확장한 것으로 충분합니다. 문제는 그렇지 않은 쪽입니다.

약한 중력렌즈가 대표 사례입니다. 루빈은 약 1만 8천 평방도에서 은하 모양의 미세한 일그러짐을 재지만, 정작 중요한 지점에서 측광 적색편이가 치명적인 이상치를 냅니다. 지상 관측 특유의 블렌딩은 전단 측정 자체를 편향시킵니다. 로먼의 근적외선 측광이 적색편이 문제를 크게 개선하고, 우주에서 얻는 안정적인 점퍼짐함수가 지상 시스템 오차를 픽셀 수준에서 보정할 길을 열어 줍니다. 논문은 이것을 계획된 공개 산출물로는 실현할 수 없는 대표 사례라고 못박습니다. 최대 깊이에 도달하고 소스를 분리하고 두 서베이에 걸쳐 일관된 측광과 형태를 얻으려면 픽셀 수준의 공동 검출과 모델링이 필요하기 때문입니다.

숫자 하나가 규모를 알려 줍니다. 루빈이 도달하는 전체 깊이에서는 전체 소스의 절반 이상이 다른 천체와 겹쳐 보입니다. 지상 망원경이 아무리 오래 노출해도 이 뭉개짐은 풀리지 않습니다. 유클리드와 로먼의 우주 해상도가 이 절반을 갈라 줍니다.

은하수 평면은 반대 방향에서 같은 이야기를 합니다. 은하 고위도에서는 로먼과 루빈의 카탈로그를 각각 만든 뒤 위치로 대조해도 그럭저럭 맞습니다. 별과 먼지가 대부분 몰려 있는 평면에서는 이 방식이 무너집니다. 극심한 혼잡과 광학과 근적외선 사이의 차등 소광 때문에 대조 자체가 모호해지고, 루빈 측광의 품질도 함께 떨어집니다. 여기서 루빈의 광학 측광을 온전히 쓰려면 픽셀 수준의 공동 측광 말고는 방법이 없습니다.

시간에 민감한 관측에서는 기회 자체가 사라집니다. 마이크로렌징 사건은 한 번 일어나고 반복되지 않습니다. 동시에 보는 두 관측자 사이의 시차가 곧 측정값이기 때문에, 나중에 독립 카탈로그를 맞춰 보는 방식으로는 복구되지 않습니다. 로먼과 유클리드가 은하 중심부를 함께 보면 렌즈의 질량과 거리 사이의 축퇴가 직접 풀리고, 자유부유행성의 질량 측정이 가능해집니다. 고적색편이 초신성도 비슷합니다. 루빈이 깊게 봤는데 아무것도 없었다는 사실과 로먼이 밝게 검출했다는 사실을 나란히 놓아야 저적색편이 오염원과 구분됩니다.

논문이 이 지점에서 가장 세게 나갑니다. 극단에서 서베이를 합치는 일은 측정을 개선하지 않습니다. 그 발견을 처음으로 가능하게 만듭니다.

시간축 쪽에는 각자의 인프라가 이미 있습니다. 로먼 쪽에서는 칼텍과 IPAC 팀이 만드는 RAPID가 즉시 차감 이미지와 공개 알림 스트림, 강제 측광 서비스를 준비하고 있고, 루빈 쪽에서는 LSST 알림 스트림과 커뮤니티 브로커가 이미 돌아가고 있습니다. 논문이 짚는 것은 두 인프라의 헌장이 의도적으로 단일 서베이라는 점입니다. 두 스트림을 병합해 알림마다 상대 서베이의 광도곡선 이력과 모체 은하 맥락을 붙이는 계층은 어느 쪽 범위에도 없습니다. 그 간격이 얼마나 좁은지도 함께 적혀 있습니다. RAPID의 강제 측광을 루빈 브로커가 조회할 수 있게 열어 두기만 해도, 루빈 알림 하나의 위치를 로먼의 측광 이력에 대조해 분류에 바로 먹일 수 있습니다. 서비스는 로먼 단독으로 지어지는 중이고, 서베이를 잇는 그 인터페이스가 작고 자금이 붙지 않은 한 걸음입니다.

페블러스는 한 서베이 안에서 쏟아지는 알림을 무엇으로 믿고 거를 것인가를 지난 7월에 다룬 적이 있습니다. 그 글이 루빈 하나의 내부 문제였다면, 이번 이야기는 세 서베이 사이의 문제입니다.

네 기둥 중 두 번째는 기계학습을 위한 데이터 기반입니다. 논문은 조인트 처리의 가장 값진 산출물이 균일하게 처리된 대규모 학습 기반이라고 봅니다. 루빈과 로먼, 유클리드를 합치면 광학과 근적외선에 걸친 수십억 개의 소스, 시간에 따른 변화, 서로 다른 공간 해상도를 같은 하늘에서 제공할 수 있습니다. 다만 그런 코퍼스를 만드는 일을 맡은 프로젝트가 아직 없습니다.

표준화라는 절반은 이미 증명됐습니다. 플랫아이언 연구소가 호스팅하는 멀티모달 유니버스는 약 100테라바이트 규모로, 여러 서베이의 이미지와 스펙트럼과 시계열을 공통 스키마에 담고 벤치마크 과제까지 붙여 두었습니다. 잘 정리되고 평가 기준이 붙은 코퍼스가 열리면 모델링 커뮤니티가 빠르게 형성된다는 점에서 이미지넷이 보여 준 패턴이 그대로 재현됐습니다. 그런데 이 데이터셋은 스스로 한계도 적어 두었습니다. 기존 서베이 산출물을 표준화한 것이라, 교차 표본이 각 서베이의 깊이와 관측 영역, 그리고 그 영역들이 겹치는 정도에 갇혀 있습니다.

논문이 드는 비유는 단백질 구조입니다. 알파폴드의 돌파는 거의 50년에 걸쳐 실험으로 결정된 구조들이 하나의 표준화된 공개 저장소에 쌓여 있었기 때문에 가능했습니다. 코퍼스가 먼저 있었고 모델은 그다음이었습니다. 저자들은 천문학이 아직 그 등가물을 만들지 못했다고 적습니다.

기반이 없는 이유는 과학이 아니라 구조에 있다고 논문은 봅니다. 들어갈 정문이 없습니다. 아카이브가 따로 있고 형식이 다르며 공통 식별자도 벤치마크도 깔끔한 API도 없습니다. 짝지은 컷아웃 하나를 받으려 해도 각 아카이브에 따로 인증하고 좌표 규약을 손으로 맞춰야 합니다. 저장 공간의 문제가 아닙니다. 아카이브를 물리적으로 한곳에 모을 필요도 없습니다.

이것은 접근 격차의 문제이기도 합니다. 지금 이 멀티페타바이트 데이터를 실제로 다룰 수 있는 곳은 자원이 넉넉한 팀뿐입니다. 논문의 제안은 세 서베이의 데이터를 상호운용 가능한 클라우드 영역에 노출하고, 오픈 사이언스 그리드나 NOIRLab의 아스트로 데이터 랩, ESA 데이터랩 같은 저비용 공용 계산 자원을 그 옆에 두자는 것입니다. 그러면 작은 기관의 연구자도 감당할 만한 비용으로 분석에 들어옵니다. 방식이 성립한다는 증거는 이미 있습니다. 로먼 고위도 이미징 서베이 팀은 시뮬레이션 데이터로, 클라우드에서 저수준 데이터를 내려받아 대학에서 처리하고 상위 산출물을 아카이브로 돌려보내는 흐름을 시연하고 있습니다.

해결이 멀지만은 않다는 증거도 함께 실려 있습니다. LINCC 프레임웍스 팀이 만든 HATS와 LSDB는 카탈로그를 하늘 위치로 분할해 두어 대조와 질의를 효율적으로 만드는 방식으로, 이미 10억 개 규모 카탈로그에서 작동하고 루빈의 첫 데이터 프리뷰를 지원합니다. 알림 스트림 쪽에서는 LSST와 ZTF의 스트림이 실시간으로 대조되고 있습니다. 남은 질문은 기술이 아니라 설계 수준이라는 것이 커뮤니티 워크숍의 결론이었습니다.

읽기에 따라 이 대목은 산업 쪽 이야기와 거의 구분되지 않습니다. 파운데이션 모델을 도입하려는 조직 대부분이 모델부터 고릅니다. 정작 그 모델이 학습하고 평가받을 사내 코퍼스, 그러니까 출처가 다른 기록들이 같은 식별자와 같은 좌표 위에 올라간 상태의 데이터는 아직 없는 경우가 많습니다.

논문이 요구하는 것은 네 가지입니다. 각각이 커뮤니티 연구로 이미 명세됐고 시제품 수준에서 입증됐지만, 공유 역량으로서 자금이 붙거나 소유자가 정해진 것은 하나도 없습니다.

첫 기둥에 대해서는 논문이 시작점을 하나 지정합니다. 세 서베이가 모두 겹치는 유클리드 딥필드 사우스 같은 공용 딥필드에서, 로먼과 루빈의 이미지 조각을 실제로 함께 처리해 보이는 시연입니다. 여기까지의 거리도 생각보다 좁습니다. 나사가 지원하는 오픈유니버스2024가 루빈과 로먼을 짝지은 시뮬레이션을 만들어 이런 조율이 규모 있게 가능하다는 것을 이미 보여 주었기 때문입니다. 다만 그 사업의 범위는 시뮬레이션 도구와 인프라까지이고, 실제 서베이 데이터를 함께 처리하는 일은 거기 들어 있지 않습니다. 세 서베이를 모두 포함한 시뮬레이션 모음도 아직 없습니다. 저자들이 붙인 단서는 처음부터 확장을 전제하라는 것입니다. SPHEREx나 UVEX 같은 다음 서베이가 같은 틀에 합류할 수 있어야, 새 짝이 생길 때마다 양자 협상을 처음부터 다시 하지 않습니다.

네 번째 기둥은 사람 이야기입니다. 크로스 서베이 인프라를 전담하는 커리어 경로는 없습니다. 필요한 인재는 천문학과 소프트웨어 공학과 기계학습에 걸쳐 있는데, 그런 사람은 모든 기관의 위임 범위와 모든 대학의 평가 기준 사이에 끼어 있습니다. 대학은 도구 제작보다 논문을 보상해 왔습니다. 이 분야에서 가장 성공한 소프트웨어 인프라조차 기간이 정해진 프로젝트로 자금을 받아, 가장 뛰어난 사람들이 임용에서 임용으로 옮겨 다니며 살아갑니다. 저자들의 경고는 분명합니다. 이대로면 필요한 인재 세대가 길을 제공하는 다른 분야로 빠져나갑니다.

그렇다면 왜 하필 지금이냐는 질문이 남습니다. 답은 비용의 비대칭입니다. 세 서베이는 아직 생애주기의 앞쪽이라, 데이터와 메타데이터 형식이나 합성 이미지를 어떤 좌표계에 투영할지 같은 기초 선택을 설계 단계에서 맞출 수 있습니다. 지금 맞추면 규약에 한 번 합의하는 비용으로 끝납니다. 어긋난 채로 굳으면 서베이 규모의 재처리로 되돌려야 합니다. 논문은 그 차이를 나중 비용의 아주 작은 일부라고 표현하며, 이 창이 곧 닫히고 다시 열리지 않는다고 적습니다.

제도가 이 창을 붙잡을 수 있는지에 대해서는 전례가 하나 인용됩니다. TCAN은 2010년 데카달 서베이가 다기관 이론 협업을 지원할 메커니즘이 없다고 지적한 데 대한 응답으로 국립과학재단과 항공우주국이 함께 만든 프로그램입니다. 메커니즘 자체는 작동했습니다. 다만 공동 공모는 중단됐고 항공우주국만 프로그램을 이어 갔습니다. 이런 장치는 지속적인 위상과 자원이 없으면 양쪽 기관에 있는 개인들의 관심에 계속 기대게 된다는 것이 논문의 해석입니다.

그래서 논문의 4장은 주체별로 할 일을 나눠 적습니다. 정책 결정자와 연방기관에는 기관을 가로지르는 연구책임자급 과제를 실제로 신청할 수 있게 만들 것, 다른 기관 데이터에 기대는 산출물을 포기하게 만드는 장벽을 걷어낼 것, 소프트웨어와 처리 계층을 예산이 빠듯해질 때 가장 먼저 잘리지 않는 전략 인프라로 다룰 것을 요구합니다. 두 번째 항목의 예로 든 것이 로먼의 기본 측광 적색편이입니다. 광학 측광을 함께 쓰지 않고 로먼 데이터만으로 산출됩니다. 천문대와 운영기관에는 공용 딥필드와 관측 일정 조율을, 대학과 계산 시설에는 코드만이 아니라 사람에 대한 투자를, 커뮤니티에는 새 플랫폼을 또 만들기보다 이미 있는 것에 기여할 것을 권합니다. 가장 날이 선 문장은 첫 목록에 있습니다. 3장에 적힌 모든 역량이 지금은 누군가의 본업에 딸린 부업이고, 아무의 일차 책임도 아닌 일은 남는 시간의 속도로 진행됩니다.

저자들은 자신들의 글을 커뮤니티 관점 논문이라고 부릅니다. 새로운 관측 결과를 내놓는 대신, 이미 수십 년간 반복해서 권고된 일이 왜 아직 지어지지 않았는지를 적은 문서입니다. 결론부에는 이런 문장이 있습니다. 세 서베이가 같은 하늘을 동시에 찍는다는 사실보다 새로운 것은, 그 가장 큰 발견들이 서베이와 서베이가 만나는 이음매에서 드러나리라는 점입니다. 원문은 arXiv:2608.19272에서 볼 수 있습니다.

1차 사료

• 1.Rau, G., et al. (2026). "The Cross-Survey Decade: A Call to Action." arXiv:2608.19272.

학술 논문

• 2.Abbott, T. M. C., et al. (2023). "DES Y3 + KiDS-1000: Consistent Cosmology Combining Cosmic Shear Surveys." The Open Journal of Astrophysics, 6.
• 3.The Multimodal Universe Collaboration. (2024). "The Multimodal Universe: enabling large-scale machine learning with 100 TB of astronomical scientific data." NeurIPS Datasets and Benchmarks.
• 4.Jumper, J., et al. (2021). "Highly accurate protein structure prediction with AlphaFold." Nature, 596, 583-589.
• 5.The OpenUniverse Collaboration. (2025). "OpenUniverse2024: A shared, simulated view of the sky for Rubin and Roman."
• 6.Caplar, N., et al. (2025). "Using LSDB to enable large-scale catalog distribution, cross-matching, and analytics."

공식 문서·기관

• 7.National Science Foundation. "Theoretical and Computational Astrophysics Networks (TCAN)."
• 8.Space Telescope Science Institute. "GOODS Data Products."