현재 과학자들은 멀리 떨어진 혜성이 지구와 충돌하는 궤도에 있는 것을 발견할 수 있지만 빨라도 충돌 1년 전에야 발견할 수 있기 때문에 대비하기엔 충분한 시간이 없는 실정이다.

하지만 혜성이 남긴 파편을 더 빠르게 식별하고 분류할 수 있는 머신러닝을 적용한 인공지능(AI)은 천문학자들에게 보다 먼 미래를 예측할 수 있게 해줄 것으로 보인다. 과학자들은 유성우 분석 속도를 높임으로써 멀리 떨어져 있지만 잠재적으로 위험한 혜성의 궤도를 정확하게 파악하고자 한다. 이것은 NASA가 후원하는 인공지능 시범 연구 프로그램 5개 중의 하나다.

8월 17일 인텔이 개최한 행사에서 발표된 NASA 프론티어 개발 연구소의 연구 결과는 어떻게 AUI가 우주과학을 빠르게 발전시킬 수 있는지를 보여주었다. NASA의 머신러닝 테스트의 일부로 진행된 이 연구는 SETI 연구소가 운영하고 인텔, IBM, 엔비디아, 록히드 마틴 등 민간기업의 엔지니어들이 참여했다.

페이스북과 구글 같은 기업도 머신러닝을 이용해 사람들의 구매 행태를 분석하거나 사진에 태그를 달고 있지만 아직까지 기초과학 문제 해결에는 크게 적용하지 않고 있다. 이제 2년째를 맞이하는 프론티어 개발 연구소를 통해 NASA가 이 분야를 탐색하고 있다. 이 연구소는 컴퓨터 및 행성 과학 연구 소그룹을 후원하여 매년 여름 두 달 동안 우주 과학의 중요한 문제를 해결하고 있다.

이 발표를 접한 NASA 과학자들은 혜성 탐지 프로젝트의 결과에 관심을 보였지만 회의적이었다. 목성을 훨씬 넘어서는 궤도를 가진 장주기 혜성들은 너무 멀리 떨어져 직접 관찰할 수 없고 관찰을 할 수 있으면 활동을 시작했다는 증거다.

그중 한 가지 단서는 혜성이 남긴 잔해를 지구가 통과할 때 발생하는 유성우다. 혜성 프로젝트에 참여한 연구팀은 일반적으로 사람이 수행하던 운석, 반딧불 및 비행기를 통과하는 유성을 구분하는 작업을 빠르게 하기 위한 이미지 분류 알고리즘을 개발한 다음 시간의 흐름에 따라 분류했다. 이 과정에서 이전에 알려진 바 없는 유성우 그룹을 발견했다. 연구팀은 이것이 아직 탐지된 바 없는 장주기 혜성의 증거로 생각하고 있다.

2개월 동안 개발하고 테스트한 인공신경망은 사람이 구분한 유성과 90%가량 일치했다. 이 시범 프로젝트에서 연구팀은 약 100만 개의 유성을 분석했다. 이 결과에 대해 NASA 과학자들은 AI가 식별한 유성이 노이즈가 아니라는 증거를 더 보고 싶어 했으며, 일부는 그 유성이 소행성이나 다른 원인이 아니라 혜성에서 기인한 것이라는 증거를 원했다. 프로젝트에 참여한 과학자인 브라질 국립계측연구소의 마르셀로 드치코는 현재 그런 증거를 제공할 자료가 없기 때문에 관찰을 통해 배우고 예측된 궤도를 조사하기를 원한다고 말했다.

이 외에도 진행 중인 프로젝트들도 있다. 인텔의 딥러닝 가속기 너바나(Nervana)를 이용한 연구 그룹은 달 지도의 해상도를 개선하고 있다. 또한 신경망을 이용해 크레이터 여부를 분류하고 있다. 그 결과는 사람이 구분한 것과 98% 일치하고 있으며 기존 이미지 분석 시스템보다 5배 더 정확하다. 이 그룹의 목표는 미래에 달 극지방 탐사를 위해 보낼 탐사선이 알려지지 않은 크레이터에 추락하는 것을 방지하는 것이다. 달의 극지방은 그늘이 많이 지기 때문에 크레이터와 그늘을 구분하는 것이 어렵다.

또 다른 그룹은 전력망, GPS를 비롯해 기타 시스템에 문제를 일으키는 자기펄스인 태양 플레어를 예측하기 위해 IBM, 록히드 마틴과 연구를 수행하고 있다. 플레어넷(FlareNET)이라고 부르는 알고리즘을 사용한 연구팀은 기존 태양 플레어 예측 시스템보다 뛰어난 성능을 보였다.

이 프로젝트들은 AI가 몇 달이 걸리던 일을 몇 시간에 끝내 어떻게 작업 속도를 높일 수 있는지 보여주고 있다. 현재로서는 NASA가 이 프로젝트를 확장하여 수행할 것인지는 결정된 바 없는 것으로 알려졌다.