;)
▲ 초기 은하 시뮬레이션(위)와 이를 허블우주망원경으로 관측했을 때 예상 모습(중간), 그리고 실제 허블우주망원경 이미지
불과 몇 년 전만 해도 일반 대중에게 생소하던 개념인 머신 러닝이나 딥러닝 같은 용어가 이제는 일상적인 단어가 되었습니다. 국내에서는 알파고 이후 인지도가 급격히 높아졌지만, 알파고가 아니라도 이미 구글을 비롯한 주요 IT 기업들이 이를 적극적으로 도입하고 있어 결국 시대의 화두가 되는 것은 시간문제였다고 할 수 있을 것입니다. 그 적용 범위도 단순히 검색이나 안면 인식을 넘어 이제 의료 데이터 분석이나 자산 관리 등 과거 컴퓨터가 할 수 없던 분야까지 확산되고 있습니다.
일부에서는 이로 인해 일자리가 줄어들지 않을까 하는 걱정도 있지만, 다른 한편으로는 사람을 위해 일하는 똑똑한 비서가 생기는 장점도 있습니다. 특히 과학이나 의료 부분 전문가를 도와줄 인공 지능에 대해 기대가 큽니다. 그 대표적인 분야 중 하나가 천문학입니다.
다른 과학 분야와 마찬가지로 천문학 역시 관측기기의 발전으로 인해 갈수록 과학 데이터의 양이 폭발적으로 증가하고 있습니다. 우리 은하에만 수천억 개의 별이 있고 우주에는 이보다 더 많은 은하가 있다는 점을 생각하면 천문 관측 데이터의 폭발적인 증가는 필연적입니다. 하지만 수백만 장에 달하는 관측 이미지를 사람이 수작업으로 분류하고 분석해서 과학적으로 의미 있는 결론을 도출해내는 일은 이제 점점 한계에 도달하고 있습니다. 이런 빅데이터 분석에는 인공 지능의 도움이 필요합니다.
미국 캘리포니아 대학 산타크루즈 입자 물리학 연구소(SCIPP)의 조엘 프리맥 교수가 이끄는 연구팀은 딥러닝 기법으로 멀리 떨어진 젊은 은하들을 분류하는 연구를 진행했습니다. 딥러닝은 이미지 인식에서 특히 탁월한 효과를 입증했기 때문에 이런 목적으로 가장 제격입니다.
연구팀은 허블우주망원경으로 찍은 흐릿한 은하 이미지를 인식하고 분류하는 작업을 학습시켰습니다. 확실한 학습 효과를 검증하기 위해 연구팀은 VELA 시뮬레이션을 이용해서 여러 단계에 있는 은하의 모습을 재구성하고 이를 'Cosmic Assembly Near-infrared Deep Extragalactic Legacy Survey'(CANDELS) 프로젝트에서 얻은 허블망원경 이미지와 비슷하게 열화시킨 후 학습시켰습니다.
그 결과 연구팀이 만든 딥러닝 알고리즘은 시뮬레이션 된 은하 이미지와 실제 은하 이미지 모두 정확하게 인식하고 분류하는 것으로 나타났습니다. '블루 너깃'(blue nugget)이라는 단계와 그 이전 및 이후 상태의 은하를 인식하고 분류하는 작업을 자동화할 수 있게 된 것입니다. 이를 통해 사람의 힘으로 분류하기 어려운 수많은 은하 이미지를 연구 목적에 맞게 분류하고 체계적으로 분석할 수 있을 것으로 기대됩니다.
연구팀은 지금보다 사실 미래에 더 큰 기대를 걸고 있습니다. 앞으로 발사 예정인 제임스 웹 우주 망원경을 비롯해 차세대 우주 관측 장비들은 기존의 관측 장비와 비교해서 엄청난 양의 데이터를 생성할 것입니다. 수십억 개의 은하나 별을 사람이 눈으로 보고 분류하고 분석하는 일은 사실상 불가능하지만, 컴퓨터라면 가능할 것입니다.
최근 급속히 발전한 딥러닝 기술의 힘으로 과학자들은 우주를 더 잘 이해할 수 있을 것으로 기대하고 있습니다. 물론 이는 천문학만의 이야기가 아닙니다. 현재 엄청난 양의 빅데이터를 생산하고 있는 여러 과학의 분야에서 인공 지능의 역할이 점점 커질 것으로 예상합니다.
고든 정 칼럼니스트 jjy0501@naver.com
