본 논문은 ESA Gaia DR3의 약 270,000개 RR Lyrae 별(RRLs)의 광도곡선 데이터를 활용하여, 심층 학습 기반의 통합적 금속도 추정 프레임워크를 제시한다. 기존 연구에서 RRab 별에 적용된 방법을 RRc 별까지 확장하여, 기본 모드(RRab)와 제1배음 모드(RRc) RRLs 모두에 대한 금속도를 Gaia G-band 광도곡선으로 추정한다. Gated Recurrent Unit(GRU) 신경망을 기반으로 하며, 위상 접힘, 평활화, 샘플 가중치 부여 등의 전처리 과정을 거친다. 문헌의 광도 금속도를 훈련 목표로 사용하며, RRab 및 RRc 광도곡선의 형태학적 차이를 처리하기 위해 별도의 모델 없이 하나의 모델로 설계되었다. 검증 결과, RRab 별의 경우 MAE = 0.0565 dex, RMSE = 0.0765 dex, R^2 = 0.9401, RRc 별의 경우 MAE = 0.0505 dex, RMSE = 0.0720 dex, R^2 = 0.9625의 높은 정확도를 달성하였다.
