AI 기계학습으로 수천개 초신성 자율 분류

미국 캘리포니아 공대(Caltech) 천문학자들은 기계 학습 알고리즘으로 수천개의 초신성을 완전히 자율적으로 분류했다.

이 알고리즘은 샌디에고(San Diego)에 위치한 Caltech의 팔로머 관측소(Palomar Observatory)에 있는 천문 측량 장비인 Zwicky Transient Facility(ZTF)에서 캡처한 데이터에 적용됐다.

연구팀에 따르면 기계학습(machine learning) 알고리즘 ‘SNIascore’는 2021년 4월에 첫 번째 초신성을 분류했으며, 1년 반 후 1000개의 초신성을 분류했다.

ZTF는 매일 밤 밤하늘을 스캔하여 일시적 이벤트라고 하는 변경 사항을 찾는다. 여기에는 움직이는 소행성에서부터 방금 별을 먹은 블랙홀, 초신성으로 알려진 폭발하는 별에 이르기까지 모든 것이 포함된다. ZTF는 밤에 전 세계 천문학자들에게 수십만 건의 경보를 보내 이러한 일시적인 사건을 알린다. 그런 다음 천문학자들은 다른 망원경을 사용하여 변화하는 물체의 특성을 추적하고 조사한다. 지금까지 ZTF 데이터를 통해 수천 개의 초신성이 발견됐다.

그러나 매일 밤 엄청난 양의 데이터가 쏟아져 들어오기 때문에 ZTF 팀원들은 모든 데이터를 스스로 분류할 수 없다.

ZTF 프로젝트 과학자이자 Caltech 천문학 연구 교수 메튜 그레이엄(Matthew Graham)은 “천문대에 앉아 망원경 이미지를 훑어보는 천문학자의 전통적인 개념은 많은 낭만주의를 담고 있지만 현실에서 멀어지고 있다”고 말했다.

이제 연구팀은 후보 초신성을 분류하는 작업을 위해 SNIascore를 개발했다. 초신성은 유형 I과 유형 II의 두 가지로 나뉜다. 유형 I의 초신성은 수소가 없고 유형 II의 초신성은 수소가 풍부하다. 가장 일반적인 유형 I 초신성은 거대한 별이 이웃 별에서 물질을 훔쳐 열핵 폭발을 일으킬 때 발생한다. 유형 II 초신성은 무거운 별이 자체 중력으로 붕괴할 때 발생한다.

현재 SNIascore는 Type Ia 초신성 또는 하늘의 “표준 촛불”로 알려진 것을 분류할 수 있다. 이들은 일관된 강도의 열핵 폭발로 강타하는 죽어가는 별이다. Ia형 초신성은 천문학자들이 우주의 팽창률을 측정할 수 있게 해준다. Fremling과 동료들은 현재 가까운 미래에 다른 유형의 초신성을 분류하기 위해 알고리즘의 기능을 확장하기 위해 노력하고 있다.

매일 밤 ZTF는 초신성이 될 수 있는 하늘에서 섬광을 포착한 후 데이터를 SEDM(Spectral Energy Distribution Machine)이라고 하는 불과 수백 미터 떨어진 돔에 있는 Palomar의 분광기로 보낸다. SNIascore는 SEDM과 함께 작동하여 Type Ia일 가능성이 있는 초신성을 분류한다. 그 결과 ZTF 팀은 천문학자들이 강력한 항성 폭발의 물리학을 추가로 조사하고 궁극적으로 학습할 수 있도록 보다 신뢰할 수 있는 초신성 데이터 세트를 신속하게 구축하고 있다.

Fremling은 “SNIascore는 놀라울 정도로 정확하다. 1,000개의 초신성 이후 알고리즘이 실제 세계에서 어떻게 작동하는지 확인했다. 우리는 2021년 4월에 다시 시작된 이후 명확하게 잘못 분류된 이벤트를 발견하지 못했으며 이제 다른 관측 시설과 동일한 알고리즘을 구현할 계획이다”라고 말했다.

ZTF의 기계 학습 활동을 이끌고 Caltech의 데이터 기반 발견 센터에서 수석 계산 및 데이터 과학자로 활동하는 Ashish Mahabal은 “이 작업은 거의 실시간 천문학에서 기계 학습 응용 프로그램이 어떻게 발전하고 있는지 잘 보여준다”고 덧붙였다.