구글 AI, 딥러닝으로 케플러 데이터 분석해 새로운 외계행성 2개 발견

• 구글이 심층 신경망을 사용해 케플러 데이터를 분석했습니다.
• 케플러-90i와 케플러-80g 두 개의 새로운 외계행성을 발견했습니다.
• 개발한 모델은 행성과 비행성을 약 96% 정확도로 구별합니다.

수세기 동안 사람들은 별을 올려다보며 패턴을 발견하고 관측을 기록해 왔습니다. 우주에서 일찍 발견된 것 중 하나가 행성으로, 그리스인들은 불규칙한 움직임 때문에 '방랑자' 또는 '플라네타이(planētai)'라고 불렀습니다. 점차 우리 태양계가 태양 주위를 도는 여러 행성을 보유하고 있음을 알게 되었습니다.

디지털 카메라, 우주 비행, 망원경 광학, 컴퓨터 같은 현대 기술의 도움으로 우리 태양계를 넘어 수천 광년 떨어진 행성을 탐지하고 식별할 수 있게 되었습니다. 이들은 외계행성이라고 불리며, 먼 우주에 있는 또 다른 태양계의 일부입니다.

하지만 외계행성 찾기는 극도로 어려운 작업입니다. 모항성에 비해 작고 차갑고 어둡기 때문입니다. 현재 머신러닝 기법을 사용해 외계행성을 정확하게 포착합니다. 구글이 사용한 기법 중 하나로, 케플러 90 주위를 도는 케플러 90i와 케플러 80 주위를 도는 케플러-80g 두 개의 외계행성을 발견했습니다. 어떻게 했는지 알아보겠습니다.

사용된 데이터

외계행성을 찾는 주된 방법은 NASA의 케플러 우주 망원경이 포착한 방대한 데이터를 수동 분석과 자동화 소프트웨어로 분석하는 것입니다. 4년 동안 망원경은 약 20만 개의 별을 관측하며 30분마다 이미지를 촬영했습니다. 케플러의 유일한 과학 기구인 광도계는 고정된 시야에서 14만 5천 개 이상의 주계열성 밝기를 지속적으로 모니터링합니다. 이 데이터는 지구로 전송되어 외계행성이 모항성 주위를 돌며 주기적으로 밝기가 어두워지는 현상을 식별하는 데 심층 분석됩니다.

이 모든 과정은 약 140억 개의 데이터 포인트를 생성하며, 이는 약 2천조 개의 가능한 행성 궤도로 변환됩니다. 가장 강력한 컴퓨터라도 이 방대한 데이터를 처리하는 데 엄청나게 긴 시간이 걸립니다. 이 과정을 더 빠르고 효율적으로 만들기 위해 구글은 딥러닝 도구와 기법을 사용했습니다.

머신러닝 접근법

머신러닝은 컴퓨터가 특정 패턴을 인식하도록 가르치는 인공지능의 한 형태입니다. 대량의 데이터를 이해하는 데 특히 유용합니다. 여기서는 특정 규칙으로 프로그래밍하는 대신, 훈련과 예시를 통해 기계가 학습하도록 하는 것이 핵심입니다.

이미지 출처: NASA

머신러닝의 한 유형인 딥러닝은 계산 계층을 사용해 분류 문제에 유용한 점진적으로 복잡한 특징을 생성합니다. 예를 들어 깊은 이미지 분류 모델은 먼저 단순한 에지 특징을 인식하고, 이를 사용해 코너와 곡선을 탐지하며, 최종 특징 계층에서 복잡한 객체를 구별할 수 있게 됩니다.

딥 뉴럴 네트워크(딥러닝 모델의 일종)는 이미지 분류 등 여러 작업에서 최첨단 성능을 보입니다. 대부분 수작업으로 설계된 특징 기반 모델보다 우수합니다. 뉴럴 네트워크는 예측이 훈련 세트의 실제 레이블에서 얼마나 먼지를 측정하는 비용 함수를 최소화하도록 훈련됩니다.

구글 AI 팀은 15,000개 이상의 케플러 신호 데이터셋을 사용해 행성과 다른 천체를 구별하는 텐서플로(TensorFlow) 모델을 만들었습니다. 이를 위해 실제 행성의 패턴과 쌍성, 별점 등 다른 천체에 의한 패턴을 탐지하고 인식해야 했습니다.

케플러 임계값 통과 이벤트(TCEs - 통과 행성과 일치할 수 있는 주기적 감지 신호)를 자동으로 검사하는 딥 뉴럴 네트워크를 개발했습니다. 모델은 광도 곡선을 입력으로 사용하며, 인간이 분류한 케플러 TCE 세트로 훈련되었습니다.

입력 뷰는 별도의 컨볼루션 컬럼을 통해 공급되며, 이는 이전 이미지 분류에서 성공적인 방법이었습니다. 실제 통과 외계행성과 기기 아티팩트, 식쌍성, 항성 변광성 같은 가양성 간의 미묘한 차이를 구별하는 데 우수한 정확도를 보입니다.

참고: Harvard.edu

결과

모델을 신호에 대해 테스트했을 때, 행성에 의해 생성된 신호와 비행성 신호를 96% 정확도로 정확히 구별했습니다. 또한 98.8%의 경우 그럴듯한 행성 신호를 가양성 신호보다 높게 순위 매겼습니다.

참고 읽기: NASA, 우주 통신 네트워크에 인공지능 활용 예정

검색 범위를 좁히기 위해 이미 2개 이상의 외계행성을 가진 670개 항성을 관측했습니다. 처리 중 두 개의 새로운 외계행성 케플러-90i와 케플러-80g를 발견했습니다. 케플러 90i는 이미 7개의 통과 행성을 가진 것으로 알려진 케플러-90 항성을 공전합니다. 반면 케플러-80g는 케플러-80 항성 주위의 5개 행성 연쇄의 일부로, 공전 주기가 3체 라플라스 관계 예측과 거의 일치합니다.

지구보다 약 13% 큰 케플러-80g(해당 시스템의 가장 바깥쪽 행성)는 공전 주기 14.6일, 궤도 경사 89.35 +0.47/-0.98도를 가집니다.

이미지 출처: 구글 블로그

케플러-90i는 지구보다 34% 크며 공전 주기는 14.45일입니다. 지구에서 2,545광년 떨어진 용자리(Draco)에 위치합니다. 케플러-90c(8.7일)와 케플러-90d(59.7일) 사이에 있으며, 표면 온도가 극도로 높은 436°C입니다.

향후 전망

딥 뉴럴 네트워크의 가능성은 무한합니다. 20만 개 항성 중 모델은 670개만 검색했습니다. 케플러 데이터에는 아직 발견되지 않은 수만 개의 외계행성이 있을 수 있습니다. 딥러닝 같은 새로운 기술은 천문학자와 물리학자가 인간의 손길이 닿지 않는 것들을 밝혀내는 데 도움이 될 것입니다.

참고 읽기: 구글 AI, 인간 코드 능가하는 AI 생성

이 모델은 향후 정확도를 높이고 알려진 유형의 가양성을 줄이도록 수정될 수 있습니다. 예를 들어,

• 시뮬레이션 데이터나 레이블 없는 데이터를 포함해 훈련 세트 확대(현재 모델은 약 15,000개 레이블 예시만 사용).
• 항성 변동성으로 인한 신호가 유력 행성으로 분류되는 수를 줄이기 위해 패터닝 루틴 개선.
• 배경 항성에서 발생하는 통과를 대상 항성에서 발생하는 통과보다 더 잘 분류하기 위해 중심체 정보를 입력 표현에 추가.
• 데이터셋의 서로 다른 세그먼트 간 통과 일관성을 분석할 수 있도록 로컬 뷰를 여러 세그먼트로 분할.