인공지능 (AI)이 우주 카탈로그를 다시 쓰다: AnomalyMatch가 Hubble 데이터에서 800개의 새로운 미스터리를 발굴

인공지능 (artificial intelligence)의 과학적 발견 변환 능력을 강렬하게 보여주는 사례에서, 새로운 AI 도구가 인간 천문학자들이 수년이 걸릴 일을 며칠 만에 성취했습니다. European Space Agency (ESA)의 연구진 팀은 AnomalyMatch라는 AI 모델을 성공적으로 배치해 Hubble Space Telescope의 방대한 아카이브를 샅샅이 조사했습니다. 그 결과, 왜곡된 중력 렌즈에서부터 "젤리피시" 은하, 그리고 현재 분류로는 설명할 수 없는 물체에 이르기까지 800개가 넘는 이전에 문서화되지 않았던 우주 이상 현상들이 쏟아져 나왔습니다.

이 획기적인 성과는 학술지 Astronomy & Astrophysics에 상세히 실렸으며, 우리가 우주를 탐색하는 방식에 중대한 전환점을 표시합니다. 수십 년 동안 천문학적 발견은 목표 관측이나 우연적 발견에 크게 의존해 왔습니다—일상적인 것을 찾다가 이상한 것을 우연히 발견하는 방식이었습니다. 이제 AnomalyMatch와 함께 천문학자들은 체계적인 우연 탐지 엔진을 갖게 되었고, 수십 년의 데이터를 처리해 우주 건초더미 속 숨은 "바늘"을 드러낼 수 있게 되었습니다.

The Engine of Discovery: How AnomalyMatch Works

현대 천문학이 직면한 문제는 데이터의 부족이 아니라 압도적인 데이터 과잉입니다. Hubble Space Telescope 단독으로도 35년간 우주를 관측해 왔으며, 수백만 장의 이미지가 Hubble Legacy Archive를 형성하고 있습니다. 이 아카이브의 모든 물체를 수작업으로 비정상적 특징 여부까지 검사하는 것은 인간의 시간 척도로는 불가능한 과제입니다.

여기서 AnomalyMatch가 도입됩니다. ESA 연구원인 David O'Ryan과 Pablo Gómez가 개발한 이 신경망 (neural network)은 단순히 알려진 물체를 분류하도록 설계된 것이 아니라 "이상함"을 인식하도록 고안되었습니다. 전통적인 알고리즘이 은하를 나선형, 타원형, 불규칙형 등의 깔끔한 범주로 분류하도록 학습되는 것과 달리, AnomalyMatch는 비지도 학습 (unsupervised learning) 기법을 활용해 확립된 규범에서 크게 벗어나는 이상값을 식별합니다.

이 도구의 효율성은 경이롭습니다. 연구진은 AI에게 거의 1억 개의 이미지 컷아웃을 분석하라고 지시했는데, 각 컷아웃은 대략 7~8 아크초 정도의 하늘 작은 패치를 나타냅니다. 단일 그래픽 처리 장치에서 실행된 AnomalyMatch는 이 데이터 산더미를 단지 2.5~3일 만에 처리했습니다.

"허블 우주망원경의 기록 관측은 이제 35년으로 거슬러 올라가며, 천체물리학적 이상 현상이 발견될 수 있는 데이터의 보고를 제공합니다."라고 본 연구의 주저자인 David O'Ryan는 지적했습니다. 그러나 그는 AI가 없었다면 이 잠재력이 대부분 활용되지 못했을 것이라고 강조했습니다. "전문가들이 수작업으로 필요한 정도의 세부 수준까지 분류하기에는 데이터가 너무 많기 때문입니다."

From 100 Million to 1,400: The Human-in-the-Loop

AI가 속도를 제공했다면, 인간 전문성은 검증을 제공했습니다. 이 워크플로우는 과학적 AI 응용 분야에서 표준으로 자리 잡아가는 "휴먼-인-더-루프(human-in-the-loop)" 모델을 대표합니다. AnomalyMatch는 교과서를 일방적으로 다시 쓰지 않았습니다; 대신 그것은 초고속 필터 역할을 했습니다.

1억 컷아웃 중 AI는 약 1,400개의 물체를 통계적으로 이상하다고 표시했습니다. 이 관리 가능한 단축 목록은 O'Ryan과 Gómez가 세부적인 수동 검사를 수행할 수 있게 했습니다. 결과는 인상적이었습니다: 1,400개의 후보 중 연구진은 약 1,300개가 실제 이상 현상임을 확인했습니다.

중요한 점은 이들 중 일부는 이전에 발견된 적이 있었지만, 800개가 넘는 대상은 과학적으로 완전히 새로운 것이었다는 점입니다. 이들은 수년 동안 공공 아카이브에 있었지만, 알고리즘이 그것들을 찾는 법을 배우기 전까지는 인간의 눈에 포착되지 않았던 물체들이었습니다.

A Menagerie of the Bizarre

프로젝트가 밝혀낸 이상 현상들은 우주의 가장 폭력적이고도 아름다운 과정들을 흥미롭게 단면으로 보여줍니다. AI는 한 종류의 물체만을 찾지 않았고, 다양한 우주 기이현상을 발견했습니다.

과학적으로 가장 가치 있는 발견 중 하나는 **중력 렌즈 (gravitational lenses)**였습니다. 이는 거대한 전경 은하가 더 먼 배경 은하의 빛을 굴절시켜 호, 고리, 혹은 다중 이미지를 만드는 현상입니다. 이 연구는 86개의 새로운 잠재적 중력 렌즈 후보를 확인했습니다. 이들은 우주론자들에게 귀중한데, 자연적인 망원경 역할을 해 더 과거를 볼 수 있게 하고 암흑 물질의 분포를 지도화하는 데 도움을 줍니다.

하지만 가장 흔한 이상 현상은 은하 병합 (galaxy mergers)이었습니다. AI는 은하들이 충돌하는 사례 417건을 포착했는데, 이는 별 형성을 촉발하고 은하 구조를 재형성하는 혼란스러운 과정입니다.

AnomalyMatch가 발견한 주요 이상 현상

아마도 가장 흥미로운 것은 연구진이 전혀 분류할 수 없었던 물체들입니다. 표시된 물체 중 약 43개는 모든 표준 분류를 거부했습니다. 이 "미지의 것들"은 발견의 최전선을 대표하며, 해독을 위해 James Webb Space Telescope (JWST)와 같은 후속 관측이 필요할 수 있는 미스터리입니다.

Preparing for the Data Deluge

AnomalyMatch의 성공은 단순히 Hubble의 적체를 정리한 것을 넘어서 천문학의 미래에 대한 개념 증명입니다. 우리는 현재 "데이터 폭주"의 벼랑 끝에 서 있습니다.

ESA의 Euclid 미션, NASA의 Nancy Grace Roman Space Telescope, 지상 기반의 Vera C. Rubin Observatory와 같은 다가오는 임무들은 허블을 능가하는 규모의 데이터를 생성할 것입니다. 특히 Vera C. Rubin Observatory는 매일 밤마다 20 테라바이트의 데이터를 포착할 것으로 예상됩니다.

"데이터 양은 폭발적으로 증가할 것입니다,"라고 공동 저자 Pablo Gómez는 말했습니다. "전통적인 수작업 검사나 Galaxy Zoo와 같은 대규모 시민 과학 노력이 이런 양에 맞서면 단순히 무너질 것입니다."

이런 맥락에서 AnomalyMatch와 같은 AI 도구는 사치가 아니라 필수가 됩니다. 이들은 잡음을 걸러내고 천문학자들에게 중요한 신호를 경고하는 첫 방어선으로 기능할 것입니다. 드문 것과 이상한 것을 자동으로 탐색함으로써, 가장 과학적으로 가치 있는 사건들—막 폭발한 초신성 (supernova), 예상치 못한 궤도를 도는 소행성 (asteroid), 이상하게 행동하는 은하—이 아카이브 속에 묻히지 않도록 보장합니다.

Conclusion

오래된 데이터에서 800개가 넘는 우주 이상 현상을 발견한 것은 과거를 새로운 도구로 재검토하는 힘을 입증합니다. 이는 발견이 항상 더 큰 망원경을 건설하는 것만이 아니라, 때로는 더 똑똑한 알고리즘을 만드는 것임을 상기시켜 줍니다. Creati.ai가 인공지능과 과학의 교차점을 계속 모니터링함에 따라, 천문학자의 역할이 진화하고 있음은 분명합니다. 미래의 천문학자는 단지 별을 관찰하는 사람이 아니라, 별을 관찰하는 지능을 설계하는 사람이 될 것입니다.