ExoLogica AI 2.0: JWST 스펙트라 시뮬레이터

엑소로지카 AI 2.0: 외계행성의 JWST 스펙트럼을 시뮬레이션하는 천체물리학 파이프라인

엑소로지카 AI 2.0 팀은 외계행성의 거주 가능성 평가를 위한 14단계 천체물리학 파이프라인을 개발했습니다. 이 시스템은 기계학습과 원리 기반 물리 모델을 유기적으로 융합해, JWST 전이 스펙트럼을 합성하고 분포 이동(distribution shift) 및 범위 외(Out-of-Distribution, OOD) 조건에서 예측 성능을 엄격히 검증합니다. 소거 연구(ablation study) 결과, 하이브리드 접근법이 압도적 우위를 보였습니다: 평균 절대 오차(MAE)가 순수 물리 모델 기준(7.054 M⊕) 대비 기계학습+물리 모델 결합 시 3.998 M⊕로 43% 감소했습니다.

모델 검증: 소거 연구 및 분포 이동 테스트

검증 모듈은 암석질 행성(R < 6 R⊕, M < 50 M⊕)에 대한 일반화 성능을 평가합니다. 방법별 성능 비교:

• 순수 물리 모델(Chen & Kipping 2017): MAE = 7.054 M⊕ — 대기 및 내부의 비선형 효과를 무시함.
• 순수 XGBoost: MAE = 4.200 M⊕ — 지구 크기 행성에서도 15 g/cm³ 이상의 물리적으로 불가능한 밀도를 산출함.
• 하이브리드 ML + 물리 클리핑: MAE = 3.998 M⊕ — 베이지안 사전 확률이 이상치를 제한하고 물리적 타당성을 강제함.

항성 스펙트럼 분류별 분포 이동 테스트는 견고성 차이를 명확히 보여줍니다:

• M형(적색왜성): MAE = 3.868 M⊕ — 데이터 밀도가 높아 최고 성능.
• K형: MAE = 4.141 M⊕.
• G형: MAE = 5.160 M⊕.
• F형: MAE = 8.039 M⊕ — 훈련 데이터에 부족한 강력한 광증발(photoevaporation) 현상으로 인한 OOD 실패 사례.

불확실성 보정은 보유 테스트 데이터에서 95% 신뢰 구간의 90.8%를 정확히 포괄합니다. 도메인 체커(Domain Checker)는 Z-점수 기준을 활용해 OOD 입력을 식별하며, 공전 주기가 100일을 초과할 경우 신뢰도 점수가 자동 감소합니다.

14단계 물리 엔진

이 파이프라인은 행성 내부 구조, 대기 침식, 자기권 차폐, 기후 진화를 종합적으로 시뮬레이션합니다. 주요 단계는 다음과 같습니다:

• 지구물리학: 코어 질량 분율(f_core)은 Zeng et al. (2016) 기준을 따르며, 자기 발전기(dynamo) 작동 가능성을 결정합니다.
• 자기권: 항성 바람 압력(P_sw)과 자기 압력(P_mag)을 Vidotto et al. (2015) 방식으로 비교; 자기권 경계 반경 R_mp이 행성 반지름 R_p보다 작으면 대기 침식 경고가 발생합니다.
• 기체 침식: 제인스 탈출(v_rms > v_esc/6)과 수소 동역학적 광증발(Owen & Wu 2017)을 결합해 H₂, H₂O, CO₂의 손실을 모사합니다.
• 기후 모델링: 회색 대기 근사법을 적용하며, 본드 알베도(A)와 적외선 광학 두께(τ_IR)를 고려해 평형 온도(T_eq)로부터 표면 온도(T_surf)를 도출합니다.
• 베이지안 사전 확률: 질량 사전 확률은 M = α R^β 10^{γ [Fe/H]} e^{−δ t} 형태로 매개변수화됩니다.

최종 ‘지속 거주 가능성 지수(CHI, Continuously Habitable Index)’는 조석 고정, 자기권 부재, 화산 활동 억제 등을 패널티로 반영합니다. 모든 물리적 필터를 통과한 행성만 랜덤 포레스트 기반 거주 가능성 점수 산출 단계로 진입합니다.

TOI-700 d 사례를 통해 입력 반지름 및 별 특성에서 최종 CHI 점수까지의 전체 워크플로우를 상세히 설명합니다.

JWST 스펙트럼 시뮬레이터: 전이 분광법

SpectralEngine은 침식 모델링을 통과한 대기를 기반으로 고해상도 전이 스펙트럼(0.6–12 µm)을 생성합니다. 알고리즘 절차는 다음과 같습니다:

• 척도 높이: H = k_B T_surf / (μ g).
• 파장별 반지름: HITRAN/ExoMol 데이터베이스의 가우시안 흡수선 프로파일을 기반으로 R(λ) 계산.
• 전이 깊이: δ(λ) = [(R_p + z(λ)) / R_*]², 단위는 ppm.
• JWST NIRSpec 및 MIRI 감도 곡선을 반영한 현실적인 1σ 기기 잡음 추가.

출력 스펙트럼은 생물신호 가스(H₂O, CH₄, CO₂)의 화학적 불평형 패턴을 정확히 재현하며, 실제 관측 조건을 충실히 모사해 임무 계획 및 후보 목표 우선순위 설정을 지원합니다.

핵심 요약

• 기계학습+물리 하이브리드 모델은 순수 경험적 기준 대비 MAE를 43% 개선했으며, OOD 환각(hallucination)을 완전히 제거합니다.
• 도메인 체커와 90.8% 신뢰 구간 보정은 불확실성 인지를 기반으로 한 신뢰성 높은 예측을 제공합니다.
• 침식, 자기권 차폐, 기후 피드백 등 14단계 전부를 포함한 CHI는 ESI 같은 기존 지수보다 예측력이 뛰어납니다.
• JWST 스펙트럼 시뮬레이터는 관측 즉시 활용 가능한 스펙트럼을 생성해 망원경 관측 시간 배분 및 후속 관측 전략 수립을 가속화합니다.
• 한계점: F형 항성 주변 행성에 대한 성능 저하는 광증발 데이터 부족에서 기인하며, 이는 긴급한 관측 공백임을 시사합니다.

— Editorial Team