Google AI, 딥 러닝을 사용해 먼 태양계에서 두 개의 새로운 외계 행성 발견

• Google은 심층 신경망을 사용하여 Kepler의 데이터를 분석했습니다. 
• 그들은 Kepler-90i와 Kepler-80g라는 두 개의 새로운 외계 행성을 발견했습니다. 
• 그들이 개발한 모델은 행성과 비행성 구별에 있어서 약 96%의 정확도를 가지고 있습니다. 

수세기 동안 사람들은 별을 올려다보고, 몇 가지 패턴을 발견하고, 관찰 내용을 기록해 왔습니다. 우주에서 발견된 초기 것들 중 하나는 행성이었는데, 그리스인들은 불규칙한 움직임 때문에 이를 '방랑자' 또는 '플라네타이'라고 불렀습니다. 점차적으로 우리는 태양계에 태양 주위를 도는 여러 행성이 있다는 것을 알게 되었습니다.

디지털 카메라, 우주 비행, 망원경 광학 및 컴퓨터와 같은 현대 기술의 도움으로 우리는 지식을 태양계 너머로 확장하고 지구에서 수천 광년 떨어진 행성을 감지/식별할 수 있습니다. 이들은 외계행성이라고 불리며 우주에 멀리 있는 또 다른 태양계의 일부입니다.

그러나 외계 행성을 찾는 것은 매우 어려운 작업입니다. 호스트 스타와 달리 그들은 작고 차갑고 어둡습니다. 현재 우리는 기계 학습 기술을 사용하여 외계 행성을 정확하게 찾아냅니다. Google에서는 이러한 기술 중 하나를 사용하여 황색 왜성 Kepler 90 주위를 공전하는 Kepler 90i라는 두 개의 외계 행성과 Kepler 80 주위를 공전하는 Kepler-80g를 감지했습니다. 그들이 어떻게 했는지 알아보겠습니다.

사용된 데이터

외계 행성을 검색하는 주요 방법은 NASA의 케플러 우주 망원경이 캡처한 방대한 양의 데이터를 수동 분석과 자동화 소프트웨어를 모두 사용하여 분석하는 것입니다. 4년 동안 망원경은 약 20만 개의 별을 관찰하여 30분마다 이미지를 포착했습니다. 케플러의 유일한 과학 장비인 광도계는 고정 시야에서 145,000개 이상의 주계열성 밝기를 지속적으로 모니터링합니다. 이 데이터는 지구로 전송된 후 모성 주위의 회전으로 인해 외계 행성이 주기적으로 어두워지는 현상을 식별하기 위해 심층 조사됩니다.

이 모든 것은 약 140억 개의 데이터 포인트를 생성하며, 이는 약 2000조 개의 가능한 행성 궤도로 변환됩니다. 가장 강력한 컴퓨터라도 이러한 엄청난 양의 데이터를 처리하는 데는 매우 오랜 시간이 걸립니다. 이 프로세스를 더 빠르고 효율적으로 만들기 위해 Google은 딥 러닝 도구와 기술을 사용했습니다.

머신러닝 접근 방식

머신러닝은 컴퓨터에게 특정 패턴을 인식하도록 가르치는 인공지능의 한 형태입니다. 특히 대용량 데이터를 이해하는 데 도움이 됩니다. 여기서 아이디어는 기계가 특정 규칙으로 프로그래밍하는 대신 훈련과 예시를 통해 학습할 수 있도록 하는 것입니다.

이미지 출처:NASA

기계 학습의 일종인 딥 러닝은 계산 계층을 사용하여 분류 문제에 유용한 점진적이고 복잡한 기능을 생성합니다. 예를 들어 딥 픽처 분류 모델은 모델의 최종 특징 레이어가 복잡한 객체를 구별할 수 있을 때까지 모서리와 곡선을 감지하는 데 추가로 사용할 수 있는 간단한 가장자리 특징을 먼저 인식할 수 있습니다.

심층 신경망(딥 러닝 모델의 일종)은 이미지 분류를 포함한 여러 작업에서 최첨단 기술이 되었습니다. 대부분의 경우 손으로 디자인한 기능으로 개발된 모델보다 성능이 더 좋습니다. 신경망은 예측이 훈련 세트의 실제 레이블과 얼마나 떨어져 있는지 측정하는 비용 함수를 최소화하도록 훈련됩니다.

Google AI팀은 15,000개 이상의 Kepler 신호 데이터 세트를 사용하여 행성을 다른 천체와 구별하기 위한 TensorFlow 모델을 만들었습니다. 이를 위해 시스템은 실제 행성의 패턴과 쌍성 및 흑점과 같은 다른 천체로 인해 발생하는 패턴을 감지하고 인식해야 했습니다.

그들은 케플러 임계값 교차 이벤트(TCE - 행성 이동과 일치할 수 있는 주기적 신호 감지)를 자동으로 검사하기 위한 심층 신경망을 개발했습니다. 이 모델은 광 곡선을 입력으로 사용하고 인간이 분류한 Kepler TCE 세트에 대해 훈련되었습니다.

입력 뷰는 별도의 컨볼루션 열을 통해 제공됩니다. 이는 이전 이미지 분류의 성공적인 방법입니다. 이는 실제 통과하는 외계 행성과 기구 인공물, 일식 쌍성 및 항성 변동성과 같은 거짓 긍정 사이의 미묘한 차이 등 상당한 정확도로 우주 물체를 구별할 수 있습니다.

참조:Harvard.edu

결과

모델이 신호에 대해 테스트되었을 때 행성과 기타 비행성에서 생성된 신호를 96%의 정확도로 정확하게 구별했습니다. 더욱이 그럴듯한 행성 신호의 순위가 98.8%로 거짓 긍정 신호보다 높게 평가되었습니다.

읽기:NASA, 우주 통신 네트워크에 인공 지능 사용

검색 범위를 좁히기 위해 그들은 이미 두 개 이상의 외계 행성을 가지고 있는 670개의 별을 관찰했습니다. 처리하는 동안 그들은 두 개의 새로운 외계 행성인 Kepler-90i와 Kepler-80g를 발견했습니다. 케플러 90i 행성은 이전에 7개의 통과 행성을 호스팅하는 것으로 알려진 별인 케플러-90을 중심으로 회전합니다. 반면, 케플러-80g는 케플러-80별 주위의 5개 행성 사슬의 일부이며, 궤도 주기는 3체 라플라스 관계의 예측과 거의 일치합니다.

지구보다 거의 13% 더 큰 Kepler-80g (계의 가장 바깥쪽 행성)의 공전 주기는 14.6일이고 기울기는 89.35 +0.47-0.98입니다.

이미지 출처:Google 블로그

Kepler-90i 공전주기는 14.45일로 지구보다 34% 더 크다. 용자리 방향으로 지구로부터 2,545광년 떨어져 있습니다. Kepler-90c(8.7일)와 Kepler-90d(59.7일) 사이에 위치하며 표면 온도가 436°C로 매우 높습니다.

다음은 무엇인가요?

심층 신경망의 가능성에 있어서는 하늘이 한계입니다. 20만 개의 별 중 670개만 검색하는 데 모델이 사용됩니다. 케플러의 데이터에는 아직 발견되지 않은 외계 행성이 수십만 개가 있을 수 있습니다. 딥 러닝과 같은 새로운 기술은 천문학자와 물리학자가 인간의 손이 닿지 않는 것을 발견하는 데 도움이 될 것입니다.

읽기:Google의 인공 지능이 인간의 코드를 능가하는 AI를 만듭니다

이 모델은 향후 정확성을 향상하고 알려진 유형의 오탐을 줄이기 위해 수정될 수 있습니다. 예를 들어, 우리는

• 시뮬레이션 데이터 또는 라벨이 지정되지 않은 데이터를 통합하는 학습 세트를 늘립니다(현재 모델은 라벨이 지정된 예시 약 15,000개만 사용함).
• 비육 루틴을 개선하여 행성으로 분류되는 항성 변동성으로 인한 신호 수를 줄입니다.
• 목표 별이 아닌 배경 별에서 발생하는 통과를 분류하는 시스템의 능력을 향상시키기 위해 입력 표현에 일부 형태의 중심 정보를 추가합니다.
• 로컬 뷰를 여러 세그먼트로 분할하면 시스템이 데이터세트의 여러 세그먼트 간 대중교통의 일관성을 분석할 수 있습니다.