천체 물리학: AI가 외계 행성에 새로운 빛을 비추다

LMU, ORIGINS Excellence Cluster, 막스 플랑크 외계 물리학 연구소(MPE) 및 ORIGINS 데이터 과학 연구소(ODSL)의 연구원들은 외계 행성 대기 분석에서 중요한 돌파구를 마련했습니다. 물리학 기반 신경망(PINN)을 사용하여 그들은 이전에 가능했던 것보다 훨씬 더 정밀하게 외계 행성 대기의 복잡한 빛 산란을 모델링하는 데 성공했습니다. 이 방법은 특히 구름의 영향과 관련하여 외계 행성 대기 분석을 위한 새로운 기회를 열어주며 먼 세계에 대한 이해를 크게 향상시킬 수 있습니다.

먼 외계 행성이 별 앞을 지나갈 때 별빛의 작은 부분을 차단하고 더 작은 부분이 행성 대기를 관통합니다. 이러한 상호 작용은 화학적 조성, 온도 및 구름량과 같은 대기의 특성을 반영하는 광 스펙트럼의 변화로 이어집니다. 그러나 이렇게 측정된 스펙트럼을 분석하려면 과학자들은 짧은 시간에 수백만 개의 합성 스펙트럼을 계산할 수 있는 모델이 필요합니다. 계산된 스펙트럼과 측정된 스펙트럼을 나중에 비교해야만 관찰된 외계 행성의 대기 구성에 대한 정보를 얻을 수 있습니다. 게다가 JWST(James Webb Space Telescope)의 매우 상세한 새로운 관측 결과에는 똑같이 상세하고 복잡한 대기 모델이 필요합니다.

AI 덕분에 복잡한 방정식의 신속한 해결

외계 행성 연구의 핵심 측면은 대기 중 빛 산란, 특히 구름에서 산란되는 것입니다. 이전 모델은 이러한 산란을 만족스럽게 포착할 수 없었으며 이로 인해 스펙트럼 분석이 부정확해졌습니다. 물리학 기반 신경망은 복잡한 방정식을 효율적으로 풀 수 있다는 점에서 결정적인 이점을 제공합니다. 최근 발표된 연구에서 연구원들은 두 가지 네트워크를 훈련했습니다. 광산란을 고려하지 않고 개발된 첫 번째 모델은 대부분 1% 미만의 상대 오차로 인상적인 정확도를 보여주었습니다. 한편, 두 번째 모델에는 소위 레일리 산란(Rayleigh Scattering)이라는 근사치가 통합되었습니다. 이는 지구에서 하늘이 파랗게 보이는 것과 동일한 효과입니다. 이러한 근사에는 추가 개선이 필요하지만 신경망은 복잡한 방정식을 풀 수 있었으며 이는 중요한 발전을 의미합니다.

학제간 협력

이러한 새로운 발견은 LMU 뮌헨, ORIGINS Excellence Cluster, 막스 플랑크 외계 물리학 연구소(MPE) 및 새로운 기술 개발에 특화된 ORIGINS 데이터 과학 연구소(ODSL)의 물리학자들 간의 독특한 학제간 협력 덕분에 가능했습니다. 물리학의 AI 기반 방법. "이 시너지 효과는 외계 행성 연구를 발전시킬 뿐만 아니라 물리학에서 AI 기반 방법 개발을 위한 새로운 지평을 열었습니다"라고 LMU의 David Dahlbüdding 연구 수석 저자는 설명합니다. "우리는 앞으로 구름에서 빛의 산란을 더 정확하게 시뮬레이션하여 신경망의 잠재력을 최대한 활용하기 위해 학제 간 협력을 더욱 확장하고 싶습니다."

출처: https://www.sciencedaily.com/releases/2024/09/240906141700.htm