루빈 LSST 암흑 에너지 과학 협력단을 위한 AI/ML의 기회

Opportunities in AI/ML for the Rubin LSST Dark Energy Science Collaboration

베라 C. 루빈 천문대(Vera C. Rubin Observatory)의 시공간 유산 탐사(LSST)는 전통적인 분석 파이프라인에 도전이 되는 전례 없는 양의 이질적인 천문 데이터(이미지, 카탈로그, 경보)를 생산할 예정입니다. LSST 암흑 에너지 과학 협력단(DESC)은 이 데이터로부터 암흑 에너지와 암흑 물질에 대한 강력한 제약 조건을 도출하는 것을 목표로 하며, 이를 위해 통계적으로 강력하고 확장 가능하며 운영상 신뢰할 수 있는 방법론이 요구됩니다. 인공지능과 기계학습(AI/ML)은 측광 적색편이와 일시적 천체 분류에서부터 약한 중력 렌즈 추론 및 우주론적 시뮬레이션에 이르기까지 DESC 과학 워크플로 전반에 이미 깊숙이 자리 잡고 있습니다. 그러나 정밀 우주론을 위한 이들의 유용성은 신뢰할 수 있는 불확실성 정량화, 공변량 이동(covariate shift) 및 모델 오설정(model misspecification)에 대한 견고성, 그리고 과학적 파이프라인 내에서의 재현 가능한 통합 여부에 달려 있습니다. 본 백서는 DESC의 주요 우주론적 탐사 및 교차 분석 전반에 걸친 AI/ML 현황을 조사하며, 상이한 과학적 사례들 사이에서 동일한 핵심 방법론과 근본적인 과제들이 반복해서 나타나고 있음을 밝힙니다. 이러한 교차 과제에 대한 진전은 여러 탐사 분야에 동시에 이익이 되므로, 우리는 대규모 베이지안 추론, 물리학 기반 방법론, 검증 프레임워크, 발견을 위한 능동 학습을 포함한 주요 방법론적 연구 우선순위를 파악합니다. 아울러 최신 기술에 주목하여, 엄격한 평가 및 거버넌스와 결합될 경우 DESC 워크플로를 재편할 잠재력이 있는 최신 파운데이션 모델 방법론과 LLM 기반 에이전트 AI 시스템의 가능성도 탐구합니다. 마지막으로, 이러한 새로운 방법론의 성공적인 배포를 위해 필수적인 소프트웨어, 컴퓨팅, 데이터 인프라 및 인적 자본 요구 사항을 논의하고, 외부 기관과의 광범위한 협력을 위한 관련 위험과 기회를 고찰합니다.

The Vera C. Rubin Observatory's Legacy Survey of Space and Time (LSST) will produce unprecedented volumes of heterogeneous astronomical data (images, catalogs, and alerts) that challenge traditional analysis pipelines. The LSST Dark Energy Science Collaboration (DESC) aims to derive robust constraints on dark energy and dark matter from these data, requiring methods that are statistically powerful, scalable, and operationally reliable. Artificial intelligence and machine learning (AI/ML) are already embedded across DESC science workflows, from photometric redshifts and transient classification to weak lensing inference and cosmological simulations. Yet their utility for precision cosmology hinges on trustworthy uncertainty quantification, robustness to covariate shift and model misspecification, and reproducible integration within scientific pipelines. This white paper surveys the current landscape of AI/ML across DESC's primary cosmological probes and cross-cutting analyses, revealing that the same core methodologies and fundamental challenges recur across disparate science cases. Since progress on these cross-cutting challenges would benefit multiple probes simultaneously, we identify key methodological research priorities, including Bayesian inference at scale, physics-informed methods, validation frameworks, and active learning for discovery. With an eye on emerging techniques, we also explore the potential of the latest foundation model methodologies and LLM-driven agentic AI systems to reshape DESC workflows, provided their deployment is coupled with rigorous evaluation and governance. Finally, we discuss critical software, computing, data infrastructure, and human capital requirements for the successful deployment of these new methodologies, and consider associated risks and opportunities for broader coordination with external actors.