• 북마크
톡하고

시리즈

[Science.M] 국내 연구진, KMTNet과 AI로 소행성 성분 분류

로그인 후 추천 / 비추천 가능

본문

국내 연구진, KMTNet과 AI로 소행성 성분 분류 


3719dfa23147ad28215a9b7742e2c7e7_1680675992_5722.jpg

국내 연구진이 외계행성 탐색시스템(KMTNet) 관측자료와 인공지능(AI) 기계학습을 활용해 소행성 표면의 구성 성분을 분류하는 데 성공했다고 밝혔다. 

 

문홍규 한국천문연구원 우주탐사그룹장과 손영종 연세대 천문우주학과 교수 연구팀은 최근 국제학술지 '행성과학저널’에 이같은 내용을 발표했다. 

 

소행성은 대부분 크기가 작아 대형 천체망원경으로 봐도 점으로 밖에 나타나지 않는다. 이 때문에 소행성 표면에 빛이 반사돼 드러나는 반사 스펙트럼을 통해 그 성분을 추정한다.


하지만 이 방법을 사용하더라도 2차원 평면상에 여러 소행성들이 중첩돼 파악하기 어려운 한계가 있었다. 


cae264e9c6a749aadf0b5f910e9d1e95_1680676023_2442.jpg
출처=한국천문연구원

 

이에 연구팀은 AI 기계학습법을 활용한 분석 방법을 도입했다. 과거에 사용해오던 변수인 가시광 스펙트럼 기울기와 흡수 스펙트럼 깊이 외에 스펙트럼 넓이를 추가해 3차원 공간을 구현했다.


특히 세 가지 변수를 색깔별로 구분하고, 기계학습법으로 훈련시켰다. 이를 통해 소행성의 개략적인 표면 성분을 새롭게 분류할 수 있었다. 

 

연구팀은 명확하게 그 경계를 구분할 수 있는 소행성 9개의 형태를 분류했다. 9개 형태는 A·B·C·K·L&D·O·S·V·X 등으로 소행성별로 구성 성분이 모두 다르다. 


특히 연구팀은 2차원 색 평면에서 구별하기 어려운 K형과 X형을 3차원 공간에서 뚜렷하게 구분 지었다. 

 

연세대 관계자는 "소행성 성분 분류 연구에서 우리가 만든 방법을 우리가 자체 생산한 데이터에 적용해 거둔 성과라는 데 큰 의미가 있다"며 "이 방법을 2024년부터 2034년까지 향후 10년간 미국 베라 루빈 천문대에서 수행할 ‘시공간 기록 탐사’(LSST) 빅데이터에 적용하면 태양계 소천체의 비밀을 파헤칠 수 있을 것"이라고 설명했다. 

 

문홍규 그룹장은 "공동연구팀이 개발한 기계학습법은 우주자원 탐사에 당장 적용하는 데에는 무리가 있지만, 100만개 넘는 소행성과 3만2000개에 달하는 근지구 소행성의 색 정보를 빠르게 수집해 한눈에 파악할 수 있다"며 "해외 연구자들이 제시한 기준에서 탈피해 앞으로 독자적인 분류 시스템을 완성하는 것이 우리의 목표"라고 강조했다. 

 

소행성은 태양계의 구성 요소로서 태양계의 형성과 진화에 대한 중요한 단서를 제공한다. 소행성의 성분 분류는 소행성의 기원과 집단 구조를 이해하는 데 필수적이다.


연구팀은 KMTNet을 통해 수집한 소행성의 다색광 관측자료를 활용해 소행성의 성분 분류를 개선하고 확장하는 데 기여할 것으로 기대하고 있다.

댓글목록 0

등록된 댓글이 없습니다.
전체 11 건 - 1 페이지