(A 'deep learning' algorithm trained on images from cosmological simulations is surprisingly successful at classifying real galaxies in Hubble images. Top row: High-resolution images from a computer simulation of a young galaxy going through three phases of evolution (before, during, and after the "blue nugget" phase). Middle row: The same images from the computer simulation of a young galaxy in three phases of evolution as it would appear if observed by the Hubble Space Telescope. Bottom row: Hubble Space Telescope images of distant young galaxies classified by a deep learning algorithm trained to recognize the three phases of galaxy evolution. The width of each image is approximately 100,000 light years. Credit: Image credits for top two rows: Greg Snyder, Space Telescope Science Institute, and Marc Huertas-Company, Paris Observatory. For bottom row: The HST images are from the Cosmic Assembly Near-infrared Deep Extragalactic Legacy Survey (CANDELS).)
딥러닝은 특히 이미지 인식에서 가장 탁월한 성능을 보여주고 있습니다. 따라서 이미지 검색은 물론 안면 인식, 의료용 이미지 판독 등 응용 분야가 넓어지고 있습니다. 대량의 이미지 데이터가 발생하는 천문학 역시 예외가 아닙니다. 최근 관측 기술의 발달로 막대한 양의 데이터가 발생해 이를 사람 대신 분류할 수 있는 기술이 필요합니다.
캘리포니아 대학의 연구팀은 딥러닝 기법을 사용해 우주 초기의 은하를 단계별로 분류하는 방법을 개발했습니다. 허블 우주 망원경의 CANDELS project (Cosmic Assembly Near-infrared Deep Extragalactic Legacy Survey) 관측 데이터를 토대로 blue nugget 단계 이전, 중간, 그리고 이후의 젊은 은하를 분류하는 것입니다.
연구팀은 허블 데이터에 더해 VELA simulations을 통해 각 단계의 은하의 모습을 시뮬레이션해 학습시켰습니다. 그 결과 딥러닝 기술이 신뢰성 있게 은하를 분류할 수 있음이 확인되었습니다. 앞으로 발사를 앞둔 제임스 웹 우주 망원경이나 Large Synoptic Survey Telescope 같은 대규모 관측 프로젝트에서 나올 데이터를 빠르고 효율적으로 분석하는데 딥러닝 기술의 적용이 기대되는 부분입니다.
이렇게 딥러닝을 비롯한 인공 지능 기술의 발전은 사람을 대체하기보다 사람을 돕는 방식으로도 사용될 수 있습니다. 앞으로 과학 연구 부분에서도 머신 러닝 기법의 적용이 늘어날 것으로 생각됩니다.
참고
댓글
댓글 쓰기