AI, 우주 천체 분류에 새 시대 열다…신경망으로 천체 2,700만 개 지도화

AI, 우주 지도 제작의 새 시대를 열다

수 세기 동안 천문학자들은 밤하늘을 바라보며 별과 은하, 그리고 이들을 잇는 광대한 우주 거미줄의 수수께끼를 풀고자 했다. 오늘날 우주의 규모 자체가 새로운 과제를 던진다. 기존 방식으로는 감당하기 어려운 수십억 개의 천체를 어떻게 분류하고 이해할 수 있을까? 중국 윈난천문대 연구진은 획기적인 도약을 이뤄냈다. 광대한 하늘 영역에 걸쳐 별과 은하, 퀘이사 등 우주 천체 2,700만 개 이상을 이미 분류한 인공지능(AI) 모델을 개발한 것이다. 이 성과는 천문학의 중요한 전환점으로, 우주를 탐사하고 이해하는 방식을 바꿀 것으로 기대된다.

우주 천체 분류가 어려운 이유

현대 천문학은 데이터 폭증을 겪고 있다. 슬론 디지털 전천 탐사(SDSS), 킬로-디그리 서베이(KiDS), 유럽우주국(ESA)의 유클리드 임무 같은 첨단 망원경과 전천 탐사는 수십억 개 천체의 이미지와 측정값을 수집하고 있다. 새로운 탐사 하나하나가 테라바이트 규모의 데이터를 더하며, 수십억 광년 떨어진 은하와 초신성, 우주 거미줄의 복잡한 구조를 드러낸다.

천문학자들은 전통적으로 분광학에 의존해 왔다. 천체에서 나오는 빛을 분석해 구성 성분과 거리, 종류를 알아내는 방법이다. 분광학은 정밀하지만 시간이 오래 걸리고 자원이 많이 든다. 이제는 데이터가 너무 많아 사람이 수작업이나 반자동 방식으로 처리하는 것만으로는 따라잡기 어렵다. 이에 따라 천문학자들은 서로 다른 색(파장)으로 이미지를 촬영하는 측광 탐사에 점점 더 의존하고 있다. 다만 측광 탐사는 스펙트럼만큼 자세한 정보를 제공하지 않는다. 속도는 빠르지만 측광 데이터만으로는 판단이 모호할 수 있다. 멀리 있는 은하와 별, 퀘이사는 작고 밝은 점처럼 보이는 경우가 많아 형태만으로 구분하기 어렵다.

사람과 기존 기계 분류 방식의 한계

분류 자동화에는 의사결정 트리와 랜덤 포레스트 같은 전통적인 머신러닝 알고리즘과, 최근에는 딥러닝 신경망이 활용돼 왔다. 이 방식들은 높은 정확도를 보여줬지만, 어둡거나 먼 천체, 우주 먼지에 가려진 영역에서는 여전히 어려움이 있다. 칠레 라세레나대학교의 한 연구에 따르면 머신러닝 모델은 먼지가 가시광선 대부분을 가로막는 ‘회피대’처럼 까다로운 영역에서 분류에 어려움을 겪을 수 있다. 다양한 파장대의 데이터를 활용해 모델을 학습하지 않으면 오류율이 높아질 수 있다.

중국 AI 모델의 작동 방식

윈난천문대 연구진이 개발한 새 AI 모델은 중요한 진전을 이뤘다. 천체의 겉모습(형태)이나 색상(분광 에너지 분포, SED) 가운데 한 가지에 의존했던 기존 방식과 달리, 이 신경망은 두 종류의 정보를 동시에 처리한다. 이중 입력 방식 덕분에 AI는 자칫 놓칠 수 있는 별과 은하, 퀘이사 사이의 미세한 차이를 포착할 수 있다.

이 모델은 SDSS 제17차 데이터 공개 자료에서 분광 관측으로 확인된 천체를 바탕으로 학습됐다. 이는 천체 분류에서 기준 자료로 널리 쓰인다. 이후 KiDS 탐사의 이미지로 모델을 시험했다. r밝기가 23등급보다 밝은 천체를 대상으로 하늘 약 1,350제곱도 영역을 살펴봤다. 그 결과 2,700만 개가 넘는 천체를 놀라운 속도와 정확도로 분류했다.

여러 탐사 자료를 통한 검증과 정확도

모델의 신뢰성을 확인하기 위해 연구진은 다른 주요 탐사의 자료로도 검증했다. 주로 움직임이 잘 알려진 별로 이뤄진 가이아 임무의 천체 340만 개에 적용했을 때, AI는 99.7%를 별로 정확히 식별했다. 은하·질량 집합(GAMA) 탐사에서도 비슷한 성과를 거둬 은하와 퀘이사의 99.7%를 정확히 분류했다. 일부 사례에서는 과거 오류를 바로잡아 이전 목록에서 잘못 분류됐던 천체를 다시 분류하기도 했다.

이처럼 높은 정확도는 모델의 견고함을 보여주며, 기존 천문 데이터베이스를 개선해 천문학계에 유용한 도구가 될 잠재력을 입증한다.

AI와 우주 지도 제작을 둘러싼 세계적 경쟁

중국의 이번 성과는 더 큰 흐름의 일부다. 세계 천문학계는 차세대 망원경이 쏟아낼 데이터를 처리할 AI 도구 개발에 속도를 내고 있다. 예를 들어 ESA의 유클리드 임무는 계획된 탐사 영역의 일부만으로 이미 은하 2,600만 개의 지도를 만들었다. 앞으로 6년 동안 유클리드는 은하 15억 개 이상을 촬영하고, 매일 약 100기가바이트의 데이터를 보내올 예정이다. 곧 가동될 베라 루빈 천문대도 초신성을 비롯한 일시적 천체 현상 수백만 건을 발견할 것으로 예상된다. 즈위키 일시천체 탐사에서 초신성 발견과 분류를 자동화하는 Bright Transient Survey Bot(BTSbot) 같은 AI 도구도 이미 활용되고 있다.

시민 과학과 AI의 강력한 협력

과제의 규모가 큰 만큼 천문학자들은 일반 대중의 도움도 받고 있다. 갤럭시 주(Galaxy Zoo)와 새로 시작된 ‘갤럭시 주: 유클리드’ 같은 프로젝트는 전 세계 자원봉사자들이 은하의 형태를 분류하도록 참여를 독려한다. 이 시민 과학자들은 간단한 사례를 처리하고 복잡한 이미지는 사람에게 넘기는 ZooBot 같은 AI 알고리즘과 함께 일한다. 이런 협력은 분류 속도를 높일 뿐 아니라 AI를 학습시키고 개선하는 데도 도움이 돼, 발견이 이어지는 선순환을 만든다.

NASA의 제임스 웹 우주망원경과 유클리드 임무도 이 같은 혼합 접근법을 활용한다. 수천 명의 자원봉사자와 첨단 AI가 함께 작업해 지금까지 만들어진 은하 형태 목록 가운데 가장 크고 상세한 목록을 구축하고 있다.

AI가 천문학을 바꾸는 방식

AI가 천문학에 미치는 영향은 속도 향상에 그치지 않는다. 방대한 천체를 빠르고 정확하게 분류함으로써 AI는 과학자들이 다음과 같은 일을 할 수 있도록 돕는다.

• 고리 은하나 먼 퀘이사처럼 드물거나 특이한 천체를 발견해, 놓칠 수 있는 대상을 찾아낸다.
• 우주 시간에 걸친 은하의 구조와 진화를 추적해, 수십억 년 동안 우주가 어떻게 변했는지 밝힌다.
• 은하의 형태와 위치, 중력 렌즈 효과를 분석해 암흑물질과 암흑에너지의 분포를 지도화한다.
• 천문 목록의 정확도와 완성도를 높이고 과거의 오류를 바로잡으며 누락된 정보를 채운다.

예를 들어 GALAXY CRUISE 프로젝트에서 AI와 시민 과학자들이 함께 희귀한 고리 은하 3만 개를 발견한 최근 성과는 유의미한 과학적 분석이 가능할 만큼 큰 표본을 제공했다. 이를 통해 나선은하끼리의 충돌 등 이러한 특이 구조가 형성되는 방식에 대한 새로운 단서가 드러났다.

기술 혁신: 멀티모달·픽셀 단위 분석

천문학 AI의 최근 발전으로는 이미지 데이터와 밝기, 색상, 적색편이 같은 표 형태의 메타데이터를 결합해 정확도를 높이는 멀티모달 딥러닝 구조가 있다. 연구에 따르면 이런 모델은 한 종류의 데이터만 사용하는 모델보다 성능이 뛰어나며, 학습 반복 횟수가 더 적어도 정밀도와 재현율이 높다. UC 산타크루즈에서 개발한 Morpheus AI 같은 도구는 이미지를 픽셀 단위로 분석해 은하 내부의 복잡한 구조를 식별하고 형태를 세밀하게 분류하기도 한다.

탐사의 규모와 목표가 커지는 만큼 이런 혁신은 필수적이다. 예를 들어 유클리드 임무는 중력 렌즈 효과로 생기는 은하 형태의 미세한 왜곡을 측정해 암흑물질의 3차원 분포를 지도화하는 것을 목표로 한다. 첨단 AI와 머신러닝 기법 없이는 불가능한 작업이다.

천문학 AI의 한계와 과제

이 같은 발전에도 AI가 만능은 아니다. 모델의 정확도는 학습 데이터의 품질과 다양성에 크게 좌우된다. 한 탐사 자료로 학습한 모델은 다른 장비나 하늘 영역에서 얻은 데이터에는 성능이 떨어질 수 있다. 특히 회피대처럼 관측이 어려운 환경에서 그렇다. 최근 연구가 지적했듯이 머신러닝 모델은 먼지에 가려진 영역이나 특성이 이례적인 천체를 분류하는 데 어려움을 겪을 수 있으며, 상당수 천체를 발견하지 못하거나 잘못 식별하기도 한다.

또한 AI 모델은 학습 데이터의 편향을 물려받아 드물거나 예상치 못한 현상을 놓칠 가능성이 있다. 따라서 AI 결과를 검증하고 진정으로 새로운 현상을 발견하는 데 사람의 전문성과 시민 과학이 여전히 중요하다.

향후 과제: 더 똑똑하고 적응력 높은 AI

윈난천문대 연구진을 비롯한 여러 연구팀은 더 어두운 천체까지 처리하고 특성이 다른 새로운 탐사에도 적응할 수 있도록 모델을 개선하고 있다. 이를 위해 더욱 다양한 데이터셋으로 학습하고, 여러 파장대의 데이터를 결합하며, 확신도가 낮거나 이례적인 사례를 사람의 검토 대상으로 표시하는 알고리즘을 개발하고 있다.

AI가 계속 발전하는 가운데, 전문 천문학자와 아마추어 천문학자 모두와 AI가 맺는 협력은 우주의 비밀을 푸는 열쇠가 될 것이다.

더 큰 의미: 발견의 새 황금기

천문학에서 AI의 부상은 기술적 성과에 그치지 않는다. 과학을 수행하는 방식 자체가 크게 달라지고 있음을 보여준다. 분류라는 반복적인 작업을 자동화함으로써 AI는 천문학자들이 해석과 이론, 미지의 영역 탐구에 집중할 수 있게 한다. 또한 발견의 문턱을 낮춰 인터넷에 연결된 누구나 우주 지도 제작에 기여할 수 있도록 한다.

유클리드와 제임스 웹, 베라 루빈 천문대 같은 임무가 전례 없는 규모의 데이터를 내놓을 준비를 하는 가운데, AI와 머신러닝, 시민 과학의 결합은 천문학적 발견의 새 황금기를 열고 있다. 우주는 광대하고 신비롭지만, 이러한 새 도구 덕분에 우리는 어느 때보다 더 깊이 탐사할 수 있게 됐다.

요약

• 중국의 AI 모델이 별과 은하, 퀘이사 2,700만 개 이상을 분류해 천문 데이터 분석의 큰 진전을 이뤘다.
• 이 모델은 높은 정확도를 위해 형태와 분광 에너지 분포 특성을 모두 활용하며, 여러 탐사 자료를 통해 검증됐다.
• 유클리드와 베라 루빈 천문대 같은 현대 전천 탐사가 만들어내는 방대한 데이터를 처리하는 데 AI는 필수적이다.
• 갤럭시 주 같은 시민 과학 프로젝트는 AI와 협력해 복잡하거나 모호한 천체를 분류하며 속도와 정확도를 높인다.
• AI는 희귀 천체를 발견하고 과거 목록의 오류를 바로잡을 수 있지만, 관측이 어려운 영역이나 특이한 현상을 다루는 데는 여전히 한계가 있다.
• 우주 천체 분류의 미래는 더욱 똑똑하고 적응력 높은 AI 모델과 기계·사람 간 지속적인 협력에 달려 있다.