미지의 세계는 영원한 인간의 탐구 대상입니다. 인류는 끊임 없이 우주를 관찰하면서 지구 밖의 우주를 탐험해 왔습니다. 지구와 같이 생명체가 존재하는 행성을 찾는 것도 탐구에서 빠질 수 없습니다. NASA ‘The Kepler Mission’을 통해 우리 은하계 내에 또 다른 태양계가 있는지 인간의 궁금증에 도전해 왔습니다2009년에 발사된 Kepler 망원경은 4년 간 2,500개가 넘는 행성을 발견했습니다.

 

Exoplanet

‘Exoplanet’ - 또는 ‘Extrasolar planet’ - 은 우리 태양계 밖에서 항성 주위를 공전하는 행성을 의미합니다. 항성의 빛이 잠시 흐려지면 그 앞으로 행성이 지나갔을 가능성이 있다는 것입니다. 이 같은 패턴을 분석해 행성 여부를 판단해 왔습니다. 쌍성 Binary star 이나 우주 선 Cosmic ray, 항성 표면의 흑점 Starspot 을 지날 때 유수한 패턴이 발견될 수 있습니다. 이 같은 False positive Signal과 구분하는 것이 관건입니다.




Deep Learning

Kepler 망원경은 Photometer를 통해 데이터를 수집합니다. 4년 간 20만 개에 이르는 항성에 대해 140억 개가 넘는 Data point를 생성했습니다. 기존에는 Exoplanet 발견을 위해 Kepler 망원경의 데이터를 1차로 소프트웨어를 이용해 자동 분석하고, 2차로 사람이 결과를 판독했습니다. 그러나 기존 소프트웨어와 인간이 판독하기에는 그 데이터가 엄청납니다. 이제는 Deep Learning이 새로운 행성을 발견하는 데 일조하게 되었습니다.

Google Brain TeamChris Shallue는 분석을 위해 UT Austin Andrew Vanderburg와 손을 잡았습니다. 놀라운 점은 Google의 사내 문화인 ‘20 Percent Project’로 시작되었다는 것입니다. 그 결실로 다른 태양계의 여덟 번째와 아홉 번째 행성인 ‘Kepler-90 i' ‘Kepler-80 g’를 발견했습니다. Kepler-90 i의 발견으로 인해 그 동안 Kepler-90의 주위를 공전하는 행성이 일곱 개에서 여덟 개로 늘어났습니다. Kepler-90i는 공전 주기가 14.4일이며, 온도는 섭씨 425도에 이릅니다.




Signal-to-Noise Ratio

분석 기준의 임계치 Threshold 가 높으면 분석 대상은 적어지는 대신, 구멍으로 빠져 나가는 건들이 발생합니다. 분석 기준의 임계치가 낮으면 분석 대상이 많아져 소요 시간과 비용이 증가하는 대신, 분석 결과가 촘촘해집니다. Deep Learning은 기존의 소프트웨어에 비해 임계치를 낮춰 좀 더 많은 대상을 면밀하게 분석할 수 있게 했습니다. 기존에도 Machine Learning 기반의 분석을 시도했지만, 이번처럼 96%의 성공률을 보이지는 못했습니다.

이번 결과는 20만 개 항성 중 2개 이상의 행성을 갖고 있는 670 개의 항성에 대해서만 분석한 것입니다. 앞으로 전체 항성에 대해 분석을 진행할 예정이라고 합니다. 또한 Google Brain TeamTensorF36low를 기반으로 Open Source화 했습니다. (https://research.googleblog.com/2018/03/open-sourcing-hunt-for-exoplanets.html) Open Source를 통해 우주에 대한 호기심을 해결하고 싶은 사람들에게 하나의 관문을 열어 준 셈입니다. 이러한 Open Data가 공학자들과 엔지니어들의 호기심을 끌 수 있다는 것도 부러운 점입니다.




티스토리 툴바