(Artist's impression of a unique type of exoplanet discovered with the Hubble Space Telescope. Credit: NASA, ESA, and A. Schaller (for STScI))
AI는 과학 연구 방식에도 큰 변화를 가져오고 있습니다. 특히 인간이 일일이 수작업으로 분석하기 힘든 대규모 데이터 분석에 AI는 최적의 솔루션을 제공할 수 있습니다. 예를 들어 첫 4년 동안 220만 개의 별의 밝기 데이터를 확보한 나사의 행성 사냥꾼 TESS 데이터가 그런 경우입니다.
워릭대학교 박사후 연구원인 마리나 라파르가 마그로 박사 (
Dr. Marina Lafarga Magro, Postdoctoral Researcher at the University of Warwick.)와 동료들은 나사의 TESS 데이터를 분석하기 위해 새로 개발한 AI 파이프라인인 RAVEN을 적용했습니다.
이번 연구에서는 항성에 매우 가까이 위치해 16일 이내에 공전하는 행성을 찾는 데 집중했습니다. TESS는 행성이 별 앞을 지나가면서 별빛이 주기적으로 약간 어두워지는 식현상을 이용하는데, 이 연구에서 31개의 신규 행성을 포함한 100개 이상의 외계행성을 확인하는데 성공했습니다.
별의 밝기는 다양한 이유로 변할 수 있고 행성이 우연히 그 앞을 지나더라도 밝기 변화는 상당히 미미하기 때문에 사실 이를 구분하기는 쉽지 않습니다. 여기에 데이터의 양이 기하급수적으로 증가하고 있다는 점도 큰 문제입니다.
연구팀의 레이븐 알고리즘은 이런 미세한 차이를 학습해 인간 대신 행성일 가능성이 높은 신호를 구분할 수 있습니다. 덕분에 레이븐 파이프라인을 사용하여 118개의 새로운 행성과 2,000개 이상의 고품질 행성 후보를 검증할 수 있었는데, 그중 거의 1,000개는 완전히 새로운 행성 후보였습니다.
앞으로 관측 기술의 발전으로 대규모의 데이터가 쏟아지는 점을 생각하면 AI가 연구에서 차지하는 비중은 점점 더 커질 것으로 생각합니다. AI 혁명이 과학 연구를 가속하는데 큰 역할을 할 것으로 기대합니다.
참고
https://phys.org/news/2026-03-ai-approach-uncovers-dozens-hidden.html
Automatic search for transiting planets in TESS-SPOC FFIs with RAVEN: Over 100 newly validated planets and over 2000 vetted candidates, Monthly Notices of the Royal Astronomical Society (2026). DOI: 10.1093/mnras/stag512
Kaiming Cui et al, Demographics of close-inTESSexoplanets orbiting FGK main-sequence stars, Monthly Notices of the Royal Astronomical Society (2026). DOI: 10.1093/mnras/stag022
Andreas Hadjigeorghiou et al, RAVEN: RAnking and Validation of ExoplaNets, arXiv (2025). DOI: 10.48550/arxiv.2509.17645

댓글
댓글 쓰기