AI가 우주를 지도화하는 데 도움을 준다.

 

인공지능(AI)은 세상을 이해하는 데 필수적인 도구가 되었다. 이제 우주 탐사에 대한 관심이 다시 증가함에 따라 다른 세계에서도 마찬가지일 수 있다.

 

1. 천체 식별

우주의 많은 부분이 너무 멀리 떨어져 있어서 무엇이 무엇인지 알아내기가 어려운 경우가 많다. 머신 비전 시스템은 육안으로는 신뢰할 수 없는 다양한 천체를 구별하는 데 도움이 될 수 있다.

 

하와이 대학의 연구원들은 2020년에 이 목적을 위한 유망한 AI 모델을 개발했다. 그들의 신경망은 98.1%의 정확도로 은하를 식별할 수 있었고, 별과 퀘이사의 경우 각각 97.8%와 96.6%의 정확도를 달성했다. 그 결과, 하늘의 4분의 3에 걸쳐 300기가바이트의 천체 카탈로그를 컴파일할 수 있었다.

 

망원경과 위성이 우주를 더 많이 볼 수 있게 되면서 이와 같은 분류 알고리즘을 사용하면 데이터를 더 쉽게 해석할 수 있다. 과학자들이 무엇을 보고 있는지 알게 되면 추가 연구를 정확하게 수행할 수 있다.

 

2. 거리 측정

우주를 지도화하는 것은 그저 밖에 무엇이 있는지 아는 문제가 아니다. 연구자는 은하계 전체의 규모와 움직임을 이해하거나 미래의 위성 또는 우주선 비행을 계획하기 위해 천체 간 거리도 측정해야 한다. AI는 이 분야에서도 도움이 된다.

 

천체 활동을 모니터링하여 거리를 계산하려면 복잡한 수학 방정식이 필요하다. AI가 능숙한 종류이다. 한 솔루션은 전파 망원경 데이터를 분석하여 분자 구름의 크기와 그 사이의 공간을 결정하는 데 76%의 정확도를 달성했다. 또 다른 솔루션은 지상 망원경 피드를 모니터링하여 감마선 폭발이 얼마나 멀리 떨어져 있는지 측정했다.

 

이와 같은 도구는 더 넓은 우주에서 활동의 규모와 속도를 더욱 신뢰할 수 있게 추정한다. 추가 데이터로 모델이 개선됨에 따라 더 안전한 우주 여행을 알리거나 태양 플레어나 초신성과 같은 활동에 대한 더 나은 통찰력을 제공할 수 있다.

 

3. 과거의 하늘 이해

AI는 또한 역사적 천체 운동을 분석하여 우주를 지도화하는 데 도움이 된다. 역사 전반에 걸쳐 하늘에 대한 자세한 기록이 없을 수 있지만, 가시적인 하늘의 대부분은 빛이 이동하는 데 걸리는 시간 때문에 실제로 과거를 나타낸다. 결과적으로 과학자들은 AI를 사용하여 우주의 이전 추세를 모델링하고 이해할 수 있다.

 

한 연구에서는 은하수 근처에 있는 17,000개가 넘는 은하의 카탈로그를 만드는 AI 모델을 구축했다. 지구에서 멀리 떨어진 지역을 분석했기 때문에 결과 시뮬레이션은 먼 과거를 반영하여 천체가 수천 년에 걸쳐 어떻게 이동했는지에 대한 새로운 정보를 공개했다. 결과 지도에는 연구자들이 이전에 알지 못했던 암흑 물질 구조가 포함되었다.

 

이러한 통찰력은 은하가 역사 전반에 걸쳐 어떻게 이동하고 서로에게 영향을 미쳤는지 보여준다. 이를 이해하는 것은 우주가 더 큰 규모로 작동하는 방식을 더 잘 이해하는 데 중요하다.

 

4. 미래 변화 예측

AI는 과거에 대해 배우면서 미래에 대한 엿보기를 제공할 수 있다. 예측 분석 모델은 이미 이 개념을 판매 예측 및 질병 발생 추적에 적용했으며, 주요 천체 현상에도 동일하게 적용할 수 있다.

 

역사적 은하계 이동을 시뮬레이션한 AI 솔루션은 은하수와 안드로메다 은하가 서로를 향해 이동하고 있음을 보여주었다. 추가 데이터와 예측 모델을 통해 과학자들은 먼 미래에 잠재적인 충돌이 언제 발생할지 판단할 수 있다.

 

AI 기반 예측은 특히 소규모에서 유용하다. 예측 분석은 연구자들이 태양 폭풍이나 소행성 이동을 예측하여 지구에서 피해나 교란을 방지하기 위해 언제 조치가 필요할지 알 수 있도록 도울 수 있다.

 

5.정확한 행성 지도 만들기

일부 AI 도구는 우주를 매핑하는 데 더 좁은 접근 방식을 취한다. 별을 이해하는 것이 중요하지만, 특히 우주 탐사가 활성화됨에 따라 물리적 행성 표면의 지도를 만드는 것이 단기적으로 더 도움이 될 수 있다. NASA의 화성 탐사 로버는 이미 AI를 사용하여 탐색하고 있으며, 유사한 기술을 사용하면 자세한 외계 행성 조사를 만들 수 있다.

 

먼 행성의 지질 지도를 만들려면 다양한 출처의 상당한 양의 데이터를 결합해야 한다. 이는 어려울 수 있으며, 많은 시간이 걸리고 오류가 발생할 수 있는 상당한 여지를 남긴다. AI는 정보를 컴파일하여 신뢰할 수 있는 단일 진실 출처를 더 빠르고 더 정확하게 형성할 수 있다.

 

머신러닝은 인간이 간과할 수 있는 방대한 데이터 세트에서 추세와 유사점을 찾을 수 있다. 결과적으로 과학자가 그렇지 않으면 놓칠 수 있는 지질 구조를 식별할 수 있다. 이러한 도구는 또한 분산된 데이터 풀을 추가 탐사를 돕기 위해 단일 사용 가능한 지도로 변환할 수 있다.

 

6. 매핑 타임라인 가속화

모든 애플리케이션에서 AI 매핑 도구는 우주를 분석하고 이해하는 데 걸리는 시간을 간소화한다. 이는 더 빠른 발견으로 혁신이 가속화되고 시간이 촉박한 환경에서도 심층 연구가 가능해지기 때문에 중요하다.

 

일본 연구자들의 한 연구에서 이러한 잠재력이 강조되었다. 이 팀은 은하계와 암흑 물질 분포를 모델링하는 AI 시뮬레이터를 개발했다. 일반적으로 슈퍼컴퓨터가 수십 시간이 걸리는 시뮬레이션을 실행하는 데 노트북에서 CPU 1초만 걸렸다. 이러한 속도에도 정확도는 떨어지지 않았다.

 

매핑 프로세스에 걸리는 시간이 짧을수록 과학자들은 더 많은 작업을 수행할 수 있다. 결과적으로 천문학 커뮤니티는 자금 조달이 어려울 수 있는 시간 소모적이고 비용이 많이 드는 프로젝트 없이 추가적인 통찰력을 얻을 수 있다.

 

7. 연구 접근성 향상

마찬가지로 AI는 더 많은 사람들이 이러한 연구를 수행할 수 있도록 한다. 타임라인이 줄어들면 관련 비용도 줄어든다. 이러한 최적화는 소규모 회사나 자금이 부족한 연구자도 같은 종류의 연구에 참여할 수 있음을 의미한다.

 

기존 천문 조사는 각각 수십억 달러의 비용이 들 수 있다. 이는 많은 회사나 교육 기관이 감당할 수 있는 것보다 훨씬 더 많은 비용이다. AI는 여러 가지 방법으로 이러한 비용을 줄인다. 가장 분명한 것은 이러한 연구를 수행하는 데 걸리는 시간을 줄인다는 것이지만, 그 이점은 더 크다.

 

복잡한 머신러닝 모델은 더 적은 데이터로 허용 가능한 결과를 제공하여 관련 비용을 낮출 수 있다. 이 기술이 성장함에 따라 기성 알고리즘이 더 널리 사용 가능해지고 있으며, 기술 비용과 모델 학습 시간이 더욱 단축된다. 이와 같은 추세는 우주 매핑을 민주화하여 더 다양한 연구로 이어지고 혁신을 촉진한다.

 

AI가 우주의 비밀을 밝혀낸다.

과학자들은 다음 우주 탐사의 물결을 이륙시키기 위해 우주를 더 자세히 매핑해야 한다. AI가 그러한 노력의 열쇠가 될 수 있다.

 

AI는 이미 방대한 천문학 연구에서 인상적인 개선을 이끌어냈다. 더 많은 팀이 이 기술을 채택함에 따라 더욱 개선될 것이다. 이상적인 매개변수가 더 명확해지고 관련 데이터가 증가할 것이다. 머신러닝은 이러한 추세 속에서 두 번째 우주 경쟁의 촉매제가 될 수 있다.