인공지능으로 숨은 행성 찾기 Gaia DR3와 ExoDNN

초록

본 논문은 Gaia DR3의 천문학적 적합 품질 통계치를 입력으로 사용해, 심층 신경망(ExoDNN)을 훈련시켜 비단일성(숨은 동반성) 가능성을 확률적으로 예측한다. 100 pc 이내의 F‑G‑K‑M 별 7 414개를 후보로 도출했으며, 후보들의 물리적 특성은 기존 비단일성 샘플과 일치한다. 향후 PLATO 등과의 연계 및 추적 관측 전략을 제시한다.

상세 분석

ExoDNN은 Gaia DR3에서 제공되는 astrometric fit quality 통계치(ruwe, astrometric_gof_al, astrometric_excess_noise, astrometric_chi2_al, astrometric_sigma5d_max)와 16개의 광학 파라미터, 4개의 분광 파라미터를 입력 피처로 활용한다. 훈련 데이터는 실제 단일성 별이 부족함을 보완하기 위해 10만 개의 합성 시뮬레이션을 생성했으며, 여기에는 50 % 비율로 단일성 및 검출 가능한 이중성(행성·갈색왜성 질량 범위 10–150 M_Jup)을 포함한다. 거리(1–100 pc), 기본·보조 질량, 궤도 주기(0.1–10 yr), 이심률, 경사도 등은 관측 가능한 파라미터 분포를 모방하도록 균등하게 샘플링되었다.

시뮬레이션은 Penoyre et al. (2022)의 Astromet 라이브러리를 이용해 Gaia 스캔법에 기반한 1D along‑scan 시계열을 생성하고, 단일성 모델(5 p)으로 최소제곱 적합을 수행한다. 이 과정에서 얻어진 적합 품질 통계치는 실제 DR3 메인 소스 테이블과 동일한 형식을 가지므로, 학습된 DNN은 바로 실제 데이터에 적용 가능하다.

네트워크 구조는 입력 레이어 → 3개의 완전 연결 은닉층(각 128, 64, 32 뉴런) → 출력 레이어(시그모이드)로 구성되었으며, 과적합 방지를 위해 배치 정규화와 드롭아웃(0.2)을 적용했다. 손실 함수는 이진 교차 엔트로피이며, Adam 옵티마이저로 학습하였다. 검증 단계에서는 20 %를 별도 검증 셋으로 유지하고, ROC‑AUC가 0.94에 달해 높은 분류 성능을 보였다.

예측 결과는 확률값 p로 제공되며, p > 0.7인 7 414개의 별을 후보군으로 선정했다. 후보들의 질량·금속도 분포는 Gaia 비단일성(NSS) 샘플과 통계적으로 유의미하게 차이가 없으며, 이는 모델이 실제 천체 물리적 특성을 반영하고 있음을 시사한다. 또한, 후보 중 일부는 기존 RV·전이 탐색에서 놓친 장기 궤도 영역에 위치해, 향후 PLATO, JWST, ELT 등과의 협업을 통해 직접적인 검증이 가능하다.

한계점으로는 (1) 합성 데이터에 의존한 학습으로 실제 DR3의 미세한 시스템atics(예: 색·밝기 의존성, 혼잡도)와 완전 일치하지 않을 가능성, (2) 현재는 5 p 단일성 모델에 기반한 통계만 사용했으며, Gaia 전체 스캔 시계열을 직접 활용하지 않아 감도 한계가 존재한다는 점을 들 수 있다. 향후 DR4에서 제공될 고정밀 궤도 파라미터와 결합하면, 행성 질량 이하까지 탐지 범위를 확대할 수 있을 것으로 기대된다.