기계학습로 소행성 구성 성분 알아낸다
기계학습로 소행성 구성 성분 알아낸다
  • 이웃집과학자
  • 승인 2023.03.31 15:32
  • 조회수 3545
  • 댓글 0
이 기사를 공유합니다

소행성. 출처: 유튜브/NASA Goddard
소행성. 출처: 유튜브/NASA Goddard

한국천문연구원(이하 ‘천문연’) 문홍규 박사와 연세대학교 손영종 교수 공동연구팀은 천문연 외계행성탐색시스템(KMTNet) 관측자료와 자체 개발한 기계학습법을 통해 4,528개 소행성 표면의 구성 성분을 분류해냈습니다. 

 

소행성은 대부분 크기가 작아 대형 천체망원경으로 봐도 점으로만 보이는데요. 그래서 소행성 표면에 빛이 반사돼 드러나는 반사 스펙트럼을 통해 그 성분을 추정합니다. 과학자들은 과거 이러한 방법을 이용해 임의로 2차원 변수평면 상에서 구획을 나누어 왔었습니다. 그런데, 성분이 다른 소행성들이 이 위에 겹쳐 나타나 그동안 문제점으로 지적됐습니다.

 

이 문제를 해결하기 위해 공동 연구팀은 기계학습법을 활용한 분석 방법을 도입했습니다. 과거에 사용해오던 변수인 가시광 스펙트럼 기울기와 흡수 스펙트럼 깊이 이외에 스펙트럼의 넓이를 추가, 3차원 색 공간에 나타냈습니다. 그리고 이러한 세 가지 변수(색)를 기계학습법으로 훈련시켜 소행성들의 개략적인 표면 성분을 새롭게 분류했습니다.

 

천문연-연세대 공동연구팀은 명확하게 그 경계를 구분할 수 있는 기존 9개의 분류형(A, B, C, K, L&D, O, S, V, X)*을 확인했습니다. 특히 2차원 색 평면에서 구별하기 어려운 K형과 X형을 3차원 공간에서 뚜렷하게 구분 지을 수 있었습니다. 

새로운 방식으로 분류한 결과. KMTNet 관측자료를 활용해 기계학습법으로 분류한 소행성의 3차원 색 분포. 스펙트럼 기울기(g-i 색)와 스펙트럼 흡수선의 깊이(i-z 색), 스펙트럼의 넓이(griz 색) 등 3차원 변수(색) 공간에서 소행성들의 분포를 나타냈다. 위와 같이 C형(남색), K형(노랑색), L&D형(오렌지색), S형(빨강색), V(연두색) 외에 X형(보라색)을 표시했다. 준지도 학습을 적용했으며, 회색으로 나타낸 점들은 분석 오류가 커, 2023년 논문에서 분류형을 지정하지 않은 유형이다. 출처 : 한국천문연구원
새로운 방식으로 분류한 결과. KMTNet 관측자료를 활용해 기계학습법으로 분류한 소행성의 3차원 색 분포. 스펙트럼 기울기(g-i 색)와 스펙트럼 흡수선의 깊이(i-z 색), 스펙트럼의 넓이(griz 색) 등 3차원 변수(색) 공간에서 소행성들의 분포를 나타냈다. 위와 같이 C형(남색), K형(노랑색), L&D형(오렌지색), S형(빨강색), V(연두색) 외에 X형(보라색)을 표시했다. 준지도 학습을 적용했으며, 회색으로 나타낸 점들은 분석 오류가 커, 2023년 논문에서 분류형을 지정하지 않은 유형이다. 출처 : 한국천문연구원

C형 소행성은 탄소질로 이뤄져 물 같은 휘발성 물질이 있으며, D형은 유기물이 풍부한 규소질과 탄소질 성분, K형 소행성은 탄소질 운석과 비슷하다고 추정됩니다. 또한 L형은 K형과 유사한 스펙트럼을 보이는데 구체적인 성분에 대해서는 자세히 알려지지 않았습니다. 한편 S형은 규소질 소행성이며, V형은 소행성 베스타와 같은 성분을 갖는다고 알려졌습니다. 마지막으로 X형은 E형, M형, P형 같은 성분이 전혀 다른 소행성들로 이뤄졌고 E는 완화휘석이 주성분이며, M은 금속질, P는 혜성과 비슷한 성분을 갖는다고 추정됩니다.

망원경 관측자료를 이용해 소행성을 분류하는 방법. KMTNet 망원경으로 관측한 소행성 자료를 활용해 실제로 소행성의 표면 성분을 분석하는 방법을 나타낸 그림. 출처 : 한국천문연구원
망원경 관측자료를 이용해 소행성을 분류하는 방법. KMTNet 망원경으로 관측한 소행성 자료를 활용해 실제로 소행성의 표면 성분을 분석하는 방법을 나타낸 그림. 출처 : 한국천문연구원

2022년 논문 1저자로 관측과 자료분석을 주도한 천문연 노동구 박사는 “소행성 성분 분류 연구에서 우리가 만든 방법을 우리가 자체 생산한 데이터에 적용해 거둔 성과라는 데 큰 의미가 있다”고 자평했습니다.

 

이 연구에 맞춰 기계학습법을 적용하고 분석을 주도한 천문연 신민수 박사는 “이 방법을 2024년부터 2034년까지 향후 10년 동안 베라 루빈 천문대(Vera C. Rubin Observatory)에서 수행할 ‘시공간 기록 탐사’( LSST, Large Synoptic Survey Telescope)의 빅데이터에 적용하면 태양계 소천체의 비밀을 파헤칠 수 있을 것”이라 말했습니다.

 

이 연구를 주도한 천문연 문홍규 박사는 “공동연구팀이 개발한 기계학습법은 우주자원 탐사에 당장 적용하는 데에는 무리가 있다. 그러나 100만 개 넘는 소행성과 32,000개에 달하는 근지구소행성의 색 정보를 빠르게 수집, 한눈에 파악하는 강력한 도구”라며, “해외 연구자들이 제시한 기준에서 탈피, 앞으로 독자적인 분류 시스템을 완성하는 것이 우리의 목표”라고 밝혔습니다.

 

연구 결과는 '행성과학저널(Planetary Science Journal)'에 발표됐습니다.

논문명 : Taxonomic Classification of Asteroids Using the KMTNet Multiband Photometry Data Set

 

#참고 설명 및 용어

1. 소행성 표면 구성물질 분류법

과학자들은 소행성 표면의 구성성분을 알기 위해 반사 스펙트럼(reflectance spectrum)이나 색(color), 또는 반사율(albedo)을 측정해 분석한다. 소행성이 500km보다 크면 그 내부가 완전하게 용융되어 지구처럼 지각과 맨틀, 핵으로 분화(differentiation)되지만, 그보다 작으면 분화가 일어나지 않아 표면과 내부의 구성 물질이 비슷하다고 추정하고 있다. 그러나 세레스(Ceres), 베스타 (Vesta)처럼 큰 소행성은 지각과 그 안쪽 성분이 다르다고 알려졌다. 소행성 표면 구성 물질을 알아내기 위해 과학자들은 1970년대부터 반사 스펙트럼과 색(color)을 활용해 연구하기 시작했고, 이러한 분류 방법(taxonomy)은 여러 차례 진화를 거듭했다. 그러나 여기서 많은 문제점이 발견돼 모든 연구자가 동의하는 방법은 아직 찾지 못했다.

2. 버스-드미오 방법(Bus-DeMeo system)

버스-드미오(Bus-DeMeo) 분류방식은 천문연이 발표한 2022년 논문 작성에 참여했던 프란체스카 드미오(Francesca DeMeo) 박사, 셸트 버스(Schelte Bus) 박사, 스테픈 실반(Stephen Slivan) 박사가 만든 소행성 분류 시스템이다. 이것은 가시광에서 근적외선에 해당하는 0.45~2.45마이크론의 파장영역에서 측정한 371개의 소행성 반사 스펙트럼을 기초로 한다. 이 방법은 소행성 반사 스펙트럼을 24개 유형으로 구별한다. 그러나 이 방법은 경험에 의존해 작위적으로 경계를 구분하는 등 문제점이 지적돼왔다. 천문연 연구팀은 2022년 논문에서 버스-드미오의 분류 유형을 준지도 학습에 적용했다.

3. 외계행성탐색시스템(KMTNet, Korea Microlensing Telescope Network) 

천문연이 칠레와 남아공, 호주에 설치, 운영하는 24시간 ‘별이 지지 않는’남반구의 천문대 네트워크다. 1.6m 반사망원경과 보름달 16개에 해당하는 넓은 하늘을 한꺼번에 촬영하는 CCD 카메라를 탑재해 외계행성 탐색은 물론, 은하와 변광성, 초신성 연구, 그리고 소행성 탐사관측에 최적화돼 있다. 

천문연은 지구형 외계행성을 찾기 위해 2014년 5월부터 2015년 5월 사이에 칠레 CTIO(Cerro Tololo Inter-American Observatory)와 남아프리카공화국의 SAAO(South African Astronomical Observatory), 호주의 SSO(Siding Spring Observatory)와 같은 3개 남반구 관측소에 동일한 KMTNet(Korea Microlensing Telescope Network) 망원경 3대를 설치했다. 이들 관측소는 경도상으로 약 8시간 떨어져 칠레관측소에서 관측이 끝나는 즈음에 호주관측소에서 관측이 시작되며, 호주관측소 관측이 끝나면 남아공관측소에서 이어받는다. 그래서 24시간 하늘을 감시할 수 있는 세계 최초의 지상관측 네트워크다. KMTNet에 실린 CCD(Charge-Coupled Device) 카메라는 8천백만 화소급 CCD 칩 4개를 가로, 세로 2개씩 배열해 3억2천4백만 화소를 제공하며, 2015년 건설 당시에 세계에서 5번째에 드는 천체 관측용 카메라였다. 

4. 슬로언 디지털 탐사(SDSS, Sloan Digital Sky Survey)

미국 뉴 멕시코주의 아파치 포인트 천문대(Apache Point Observatory)에서 2.5m 광시야 망원경을 이용해 수행했던 다중 스펙트럼 영상촬영 및 스펙트럼 관측 프로젝트다. 2000년 시작했으며 연구 자금을 지원한 알프레드 P. 슬로언 재단(Alfred P. Sloan Foundation)의 이름을 따 명명됐다.

특히 은하들의 거리를 정밀 측정, ‘은하지도’를 만드는 것이 연구목적의 하나였고 적색편이(redshift) 연구를 위해 미국 워싱턴대학과 프린스턴대학 컨소시엄이 설립됐다. 이를 총괄관리하기 위해 ARC(Astrophysical Research Consortium)에 뉴멕시코주립대학(New Mexico State University)과 위싱턴주립대학(Washington State University)이 참여했다. 연구 목표는 은하지도 작성이었지만 부산물로 방대한 자료를 축적, 행성천문학 분야에서도 큰 업적을 남겼다. 천문연에서는 SDSS의 소행성 자료를 활용해 표면 구성성분 분류에 관한 연구를 수행했다.

5. 시공간 기록탐사(LSST, Legacy Survey of Space and Time)

LSST는 칠레에 건설중인 베라 루빈 천문대(Vera C. Rubin Observatory)를 이용해 진행하는 관측연구 프로젝트다. 이 천문대는 은하의 회전속도 연구에 큰 업적을 남긴 미국 천문학자 베라 루빈의 이름을 따서 명명됐다. LSST는 8.4m의 주 거울로 이뤄진 대형 광시야 반사망원경을 채택해 1주일에 약 2회에 걸쳐 칠레에서 볼 수 있는 하늘 전체를 관측하며, 현존하는 디지털카메라들 가운데 가장 큰 3.2 기가픽셀 카메라를 자랑한다. 소행성과 혜성을 망라하는 태양계 소천체 중 근지구소행성과 카이퍼띠 천체의 지도를 작성하는 것이 주요 목표의 하나로, 지금까지 알려진 태양계 소천체의 수를 약 10년 동안 10배에서 100배까지 늘릴 것으로 예상한다. 


댓글삭제
삭제한 댓글은 다시 복구할 수 없습니다.
그래도 삭제하시겠습니까?
댓글 0
댓글쓰기
계정을 선택하시면 로그인·계정인증을 통해
댓글을 남기실 수 있습니다.

  • 충청남도 보령시 큰오랏3길
  • 법인명 : 이웃집과학자 주식회사
  • 제호 : 이웃집과학자
  • 청소년보호책임자 : 정병진
  • 등록번호 : 보령 바 00002
  • 등록일 : 2016-02-12
  • 발행일 : 2016-02-12
  • 발행인 : 김정환
  • 편집인 : 정병진
  • 이웃집과학자 모든 콘텐츠(영상,기사, 사진)는 저작권법의 보호를 받은바, 무단 전재와 복사, 배포 등을 금합니다.
  • Copyright © 2016-2024 이웃집과학자. All rights reserved. mail to contact@scientist.town
ND소프트