과학자들이 개발한 새로운 기계 학습(machine learning) 알고리즘으로 50개의 잠재적 행성을 확인했다.

영국 워릭대(University of Warwick) 천문학자들은 인공 지능(AI) 기계 학습을 기반으로 잠재적 행성 샘플을 분석하고 어느 것이 실제 행성인지의 확률을 계산했다.

그 결과는 영국 왕립 천문학회 월간 공지(Monthly Notices of Royal Astronomical Society)에 발표된 새로운 연구에서 보고됐다.

연구는 행성 검증 기술에 대한 최초의 대규모 비교를 수행했다. 그들의 결론은 미래의 외계 행성 발견을 통계적으로 확인할 때 기계 학습 알고리즘을 포함한 여러 검증 기술을 사용하는 사례다.

많은 외계 행성 측량은 망원경에서 엄청난 양의 데이터를 검색해 망원경과 별 사이를 지나가는 행성의 흔적을 찾는다. 이 과정에서 망원경이 감지하는 별의 빛이 눈에 띄게 떨어진다. 쌍성 시스템, 배경 물체의 간섭 또는 카메라의 약간의 오류로 인해 발생할 수도 있다. 이러한 오류 탐지는 행성 검증 프로세스에서 걸러 낼 수 있다.

워릭대 물리학 및 컴퓨터과학화와 엘런튜링연구소(Alan Turing Institute) 연구원들은 NASA 케플러(Kepler)와 TESS 등 천체 망원경에서 발견된 수천 개의 후보로 이루어진 대규모 샘플에서 실제 행성과 가짜 행성을 분리할 수 있는 기계 학습 기반 알고리즘을 구축했다. 현재 은퇴한 케플러 임무에서 확인된 두 개의 큰 행성 샘플과 오 탐지를 사용하여 실제 행성을 인식하도록 훈련했다.

그 후 연구원들은 케플러의 아직 확인되지 않은 행성 후보 데이터 세트에 알고리즘을 사용해 50개의 새로운 확인 된 행성을 생성했으며 첫 번째는 기계 학습으로 검증됐다. 이 50개의 행성은 해왕성 만큼 큰 규모에서 지구보다 작은 규모까지 다양하며 궤도는 200일에서 1일 정도다. 이 50개의 행성이 실제임을 확인함으로써 천문학자들은 이제 전용 망원경으로 추가 관측을 위해 우선 순위를 지정할 수 있다.

워릭대 물리학과 데이비드 암스트롱(David Armstrong) 박사는 “개발한 알고리즘을 통해 행성 검증 임계값에 걸쳐 50개 후보를 가져와 실제 행성으로 업그레이드 할 수 있었다”며 “행성 후보가 오탐일 가능성이 1% 미만인 경우 검증된 것으로 간주된다”고 말했다.

엘런튜링연구소 부국장 겸임 워릭대 테오 데뮬라스(Theo Damoulas) 박사는 “통계적 기계 학습에 대한 확률론적 접근 방식은 특히 천체 물리학에서 이와 같은 흥미로운 문제에 적합하다. 확률론적 방법의 추가 계산 복잡성이 상당한 성과를 거둔 대표적인 예”라고 말했다.

훈련된 알고리즘은 기존 기술보다 빠르며 완전히 자동화될 수 있으므로 TESS와 같은 현재 조사에서 관찰된 잠재적으로 수천 개의 행성 후보를 분석하는 데 이상적이다. 암스트롱 박사는 “지금까지 알려진 행성의 거의 30%가 단 하나의 방법을 사용해 검증됐다. 검증을 위한 새로운 방법을 개발하는 것이 바람직하다. 기계 학습을 사용하면 행성을 검증할 수 있는 모든 방법을 효율적으로 수행할 수 있다”고 말했다.

*David J Armstrong et al. Exoplanet Validation with Machine Learning: 50 new validated Kepler planets, Monthly Notices of the Royal Astronomical Society (2020). DOI: 10.1093/mnras/staa2498