[해외DS] 화성과 다른 행성의 생체 지표를 찾아내도록 훈련된 AI, 보다 정확한 결과 위해 탐색 범위 좁힌다

SETI 소속 연구팀, 화성과 비슷한 지형 특성 있는 칠레 살라르 데 파호날레스에 주목 킴 워렌-로데스 연구진 만든 AI 모델, 생체 지표 최대 87.5% 정확하게 감지하고 탐색 영역 최대 97% 줄여 극한의 환경에서 생체 지표 찾을 가능성 임의 검색 방식보다 거의 9배 더 높아

20
pabii research

[해외DS]는 해외 유수의 데이터 사이언스 전문지들에서 전하는 업계 전문가들의 의견을 담았습니다. 저희 데이터 사이언스 경영 연구소 (MDSA R&D)에서 영어 원문 공개 조건으로 콘텐츠 제휴가 진행 중입니다.

화성전역조사선(Mars Global Surveyor)에서 보는 화성, 시뮬레이션 이미지/사진=Unsplash/NASA

지구 밖 생명체를 찾기 위해 화성 혹은 다른 곳의 샘플을 수집하거나 원격 감지 도구를 사용할 땐 몇 가지 제한된 방법만을 쓸 수 있습니다. 네이처 아스트로노미 저널에 실린 “지구와 유사한 생명체의 생체 지표 패턴을 해독하고 예측하는 오르빗-투-그라운드 프레임워크(Orbit-to-ground framework to decode and predict biosignature patterns in terrestrial analogs)”라는 제목의 종합 연구에서는 칠레의 아타카마 사막과 알티플라노 고원을 가르는 살라르 데 파호날레스(Salar de Pajonales, 산악 호수 지형)의 소금·돔·바위·수정에 숨겨져 있는 미약한 생명에 주목했습니다.

SETI 연구소 수석 연구 과학자 킴 워렌-로데스(Kim Warren-Rhodes)는 동료들과 함께 속성과 연결된 패턴과 규칙을 인식하는 AI 모델을 구축, 생체 지표를 최대 87.5% 정확하게 감지하고 탐색 영역을 최대 97% 줄이는 성과를 올렸습니다.

생명체 신호 탐색을 최적화하는 새로운 방법

로데스는 이 딥 러닝 프레임워크를 이용하면 통계 생태학과 머신 러닝을 결합, 자연이 지구에서 살아남고 분포하는 패턴을 찾고 예측할 수 있다고 주장했습니다. 연구진은 이번에 만들어낸 다른 행성의 거주 가능 환경과 생체 지표를 매핑하는 접근 방식이 추후 다른 우주 생물학 연구에서 조정되길 바란다고 전했습니다.

북미 지역의 잡지 바이스에 따르면 이 프레임워크는 극도로 추운 환경에서 생체 지표를 찾도록, 즉 화성의 최소 조건을 만족하는 환경에서 동작하도록 훈련됐습니다. 덕분에 극한의 환경에서 생체 지표를 찾아낼 가능성이 일반적인 임의 검색보다 거의 9배 더 높습니다.

여러 우주 기관이 화성은 인간이 알고 있는 생명의 핵심 요소인 물로 만들어졌을 것이란 추측 하에 궤도선과 로버를 화성으로 보낸 바 있습니다. 이들이 얻은 데이터로 생체 지표를 어디서 찾아야 할지에 대한 대략적인 가이드라인을 확보했지만 탐색 영역을 좁히는 건 좀더 까다롭습니다.

로데스 연구진은 이를 해결하기 위해 AI를 사용해 생체 지표 패턴을 예측했습니다. 연구진은 이 궤도선과 로버 덕분에 전체적, 그리고 국지적인 거주 가능성을 특성화할 수 있는 데이터를 충분히 모았지만 미생물 서식지나 생체 특징에 대한 정보는 부족하다고 지적했습니다.

바로 이 부분 때문에 연구진이 칠레 살라르 데 파호날레스에 생체 지표가 존재하는지를 예측하는 딥 러닝 시스템을 구축, 이 정보 격차를 메우겠다는 목표를 세우게 된 겁니다.

살라르 데 파호날레스는 화성과 완벽하게 동일하지는 않지만 프랙탈과 같은 능선 네트워크, 무늬가 있는 지면, 비생물적 기원을 갖는 수축 균열 지형 등 화성에서 생명의 징후를 찾는 데 중요한 물리/생물학적 특징을 가지고 있습니다.

지구의 다양한 극한 환경에서 AI를 테스트하다

유레칼러트!(EurekAlert!) 지에 따르면 로데스 연구진은 비슷한 규칙이 다른 비슷한 생태계에서도 적용되는지 확인하기 위해 AI의 스트로마톨라이트 화석·암염 미생물 위치 및 분포 예측력을 테스트할 계획입니다.

완전히 새로운 생태계, 즉 온천·영구 동토층 토양·드라이 밸리의 암석 등이 테스트 대상에 포함됩니다. 연구진이 더 많은 데이터를 수집한다면 극한 환경에서 생명이 어떻게 나타났는지에 대한 가설을 시험하고, 지구의 주요 아날로그 생태계와 생물 군집에서의 생체 지표 존재 확률 청사진을 정리할 수 있을 것입니다.

SETI 연구소 NAI 팀의 PI인 나탈리 A. 카브롤(Nathalie A. Cabrol)은 생체 지표를 빠르게 감지하는 것뿐 아니라 행성계 궤도에서 지표면에 이르는 굉장히 다양한 범위에서 얻은 데이터 셋을 성공적으로 통합하는 작업도 연구의 중요한 요소라고 말했습니다. 이 연구는 과학자들이 우주에서 생체 지표를 찾기 위해 AI를 활용하는 경로를 확인하는 공을 올렸습니다.


While looking for life beyond Earth, researchers have few options to gather samples on Mars or elsewhere or to use remote sensing tools. The multidisciplinary research, titled “Orbit-to-ground framework to decode and predict biosignature patterns in terrestrial analogs” published in the journal Nature Astronomy, explored the scant life hidden away in salt domes, boulders, and crystals at Salar de Pajonales at the border of Chile’s Atacama Desert and Altiplano.

SETI Institute Senior Research scientist Kim Warren-Rhodes and colleagues then trained an AI model to recognize patterns and rules linked to their attributes to detect biosignatures up to 87.5% accurately and decrease the search area by up to 97%.

New Way To Optimize Search For Signs of Life

Rhodes said that their framework allows them to combine statistical ecology with machine learning to find and predict patterns in which nature survives and distributes itself on Earth. They hope that other astrobiology teams adapt their approach to mapping habitable environments and biosignatures on other planets.

Vice reported that the new deep learning framework was trained to find biosignatures in an environment with extremely cold temperatures to at least mimic conditions on Mars. The AI tool was able to increase the likelihood of detecting signs of life in such extreme environments to make it almost nine times as effective as random searches.

Space agencies have sent orbiters and rovers to the Red Planet’s locations which they suspect were sculpted by water, a key ingredient for life as humans know it. Although it has given a rough idea of where to look for biosignatures, narrowing down the search area is a more challenging task.

To address this, Warren Rhodes and colleagues used AI to predict biosignature patterns. They noted that there is an abundance of data from these orbiters and rovers to characterize global and regional habitability, but lesser information about microbial habitats and biosignatures.

Through their new paper, researchers aimed to fill the gap by training a deep learning system to predict the presence of biosignatures at Chile’s Salar de Pajonales.

Even though it is not perfectly the same as Mars, it exhibits features from both physical and biological processes that are crucial in finding signs of life on Mars, like a fractal-like ridge network, patterned ground, and shrinkage crack terrains of abiotic origin.

Testing the AI Under Different Extreme Environments on Earth

EurekAlert! reports that the team also plans to test the AI’s ability to predict the location and distribution of stromatolite fossils and halite microbiome to see if similar rules apply to other yet similar natural systems.

These entirely new ecosystems include hot springs, permafrost soils, and rocks in the Dry Valleys. As they gather more data, hypotheses about the beginning of life in extreme environments will be tested, as well as biosignature probability blueprints for key analog ecosystems and biomes on Earth will be inventoried.

Nathalie A. Cabrol, the PI of the SETI Institute NAI team, noted that successfully integrating datasets at vastly different resolutions from orbit to the ground is also an important aspect of their study aside from the high-rate detection of biosignatures. Their study demonstrated a pathway for utilizing AI in assisting scientists in the search for biosignatures in the universe.

Similar Posts