By DANIEL OBERHAUS, WIRE US

지난 15년 동안, 나사(NASA)의 화성 정찰 궤도선(Mars Reconnaissance Orbiter)은 기후와 지질학을 연구하면서 적색 행성(Red Planet) 주위를 돌고 있다. 매일, 그 궤도선은 나사 과학자들이 탐사선을 위한 안전한 착륙지를 정찰하고 지구상의 얼음의 분포를 이해하기 위해 사용했던 이미지와 다른 센서 데이터를 보물창고로 돌려보낸다. 과학자들이 특히 관심을 갖는 것은 이 행성의 깊은 역사를 들여다볼 수 있는 창을 제공할 수 있는 이 궤도선의 분화구 사진이다. 나사의 엔지니어들은 여전히 화성에서 샘플을 반환하는 임무를 수행하고 있다. 표면에 있는 조건에 따라 원격 위성 데이터를 보정할 수 있는 암석이 없다면, 그들은 각각의 분화구의 나이와 구성을 결정할 때 많은 교육을 받은 추측을 해야 한다.

현재로서는, 그들은 그 정보를 알아내기 위한 다른 방법이 필요하다. 시도된 참된 한 가지 방법은 가장 오래된 분화구의 나이를 행성의 최신 분화구의 특징에서 추론하는 것이다. 과학자들은 몇 년 또는 몇 주 내에 일부 최근의 영향 부위의 나이를 알 수 있기 때문에, 그들은 그것들을 기준선으로 사용하여 훨씬 오래된 분화구의 나이와 구성을 결정할 수 있다. 문제는 그들을 찾는 것이다. 새로운 충격의 징후를 찾기 위해 행성의 이미지 데이터를 뒤지는 것은 지루한 일이지만, 그것은 바로 AI가 해결하기 위해 만든 일종의 문제인 것이다.
 
작년 말, NASA의 연구원들은 처음으로 화성 분화구를 발견하기 위해 기계 학습 알고리즘을 사용했다. AI는 화성정찰궤도선의 영상자료에 숨어 있는 수십 개의 행성을 발견하고 우리 태양계 전체의 행성을 연구할 수 있는 유망한 새로운 방법을 공개했다. "과학적인 관점에서 보면, 그것은 이러한 특징들에 대한 우리의 지식을 증가시키고 있기 때문에 흥미롭다."라고 NASA 제트 추진 연구소의 컴퓨터 과학자이자 연구팀의 리더 중 한 명인 키리 와그스테프(Kiri Wagstaff)는 말한다. "데이터는 항상 존재했다. 단지 우리가 직접 본 적이 없었을 뿐이다."

화성정찰궤도선에는 3대의 카메라가 탑재돼 있지만 와그스태프와 동료들은 콘텍스트(Context)와 하이라이즈(HiRISE) 이미지만으로 AI를 훈련했다. 콘텍스트는 상대적으로 해상도가 낮은 그레이스케일 카메라인 반면, 하이라이즈는 심우주로 전송된 가장 큰 반사 망원경을 사용하여 구글 맵(Google Maps)에 사용된 이미지보다 약 3배 높은 해상도를 가진 이미지를 생성한다.

먼저, AI는 알고리즘에 새로운 공격을 감지하는 방법을 가르치기 위해 거의 7,000장의 화성 궤도 사진(일부는 이전에 발견된 크레이터와 아무것도 없는 사진)을 공급받았다. 분류기가 훈련 세트의 분화구를 정확하게 감지할 수 있게 된 후, 와그스테프와 그녀의 팀은 알고리즘을 제트 추진 실험실의 슈퍼컴퓨터에 로딩하여 궤도에서 112,000개 이상의 이미지를 데이터베이스로 샅샅이 뒤지는 데 사용했다.

와그스테프는 "기본적인 기계 학습 기술에는 새로운 것이 없다."라고 말한다. "우리는 이미지 데이터를 분석하기 위해 꽤 표준적인 컨볼루션 네트워크를 사용했지만, 규모에 맞게 적용할 수 있다는 것은 여전히 어려운 일이다. 그것이 우리가 여기서 씨름해야 했던 것 중 하나였다."

화성의 대부분의 최근 분화구는 크기가 작고 폭이 불과 몇 피트밖에 되지 않을 수 있는데, 이는 그것들이 컨텍스트(Context) 영상에서 어두운 픽셀의 블래치로 보인다는 것을 의미한다. 알고리즘이 후보 분화구의 이미지를 같은 지역의 이전 사진과 비교한 결과 어두운 부분이 누락된 것을 발견하면 새로운 분화구를 발견했을 가능성이 크다. 또한 이전 이미지의 날짜는 충돌이 발생한 시점을 설정하는 데 도움이 된다.

일단 AI가 몇몇 유망한 후보자들을 확인하자, 나사 연구원들은 이 분화구가 실제로 존재하는지 확인하기 위해 이 궤도선의 고해상도 카메라로 몇 가지 추적 관찰을 할 수 있었다. 지난 8월, 탐사팀은 알고리즘으로 식별된 분화구 군집을 촬영했을 때 첫 확인을 받았다. AI가 다른 행성에서 분화구를 발견한 것은 이번이 처음이다. 와그스테프는 "새로운 것이 있을 것이라는 보장은 없었다"라고 말합니다. "하지만 많은 사람들이 있었다. 그리고 우리의 가장 중요한 질문 중 하나는 무엇이 그들을 찾기 힘들게 하느냐 하는 것이다.

이 새로운 과정은 화성과 다른 행성들의 분화구 발견을 극적으로 가속시킬 수 있다.

지난 15년 동안, 화성 정찰 궤도 탐사 프로그램에서 일하는 NASA 과학자들은 한 장의 사진을 찍는데 4분의 3시간이 걸릴 수 있는 이 우주선의 이미지를 수동으로 스캔해야 했다. "그들은 이 새로운 분화구가 어떻게 생겼는지 알아보는 훈련을 했지만, 시간이 꽤 걸릴 수 있다." 라고 이번 연구를 공동 연구한 브라운 대학의 행성 과학자 잉그리드 다우바가 말했다. 반면, 새로운 AI는 단 5초 만에 이미지에 새로운 어두운 패치가 포함되어 있는지 여부를 확인할 수 있다.

다우바르는 화성 표면의 나이를 결정하는 것을 돕는 것 외에도 분화구가 화성 바로 아래에 무엇이 있는지 과학자들에게 많은 것을 가르쳐 줄 수 있다고 말한다. 예를 들어, 약 10년 전, 화성 정찰 궤도선은 일부 해저 얼음에 노출된 새로운 분화구를 발견했다. 과학자들은 노출된 얼음과 그것이 시간이 지남에 따라 어떻게 사라졌는지를 연구함으로써 지구 전체의 표면에 얼음이 어떻게 분포되어 있는지 더 잘 이해할 수 있었다. 하지만 그것은 우연한 발견이었다. 다우바는 새로운 분화구의 암시를 위해 정기적으로 이미지를 정밀하게 조사하고, 형성 후 며칠 또는 몇 주 내에 과학자들에게 알릴 수 있는 AI가 화성 역사에 대해 우리에게 더 많은 것을 가르쳐 주기를 바라고 있다.

"머신 러닝을 사용하여 대규모 데이터 세트를 조사하고 그렇지 않았다면 찾을 수 없었을 것들을 찾을 수 있는 가능성은 매우 흥미롭습니다."라고 다우바는 말한다. "이 특정 프로젝트는 우리가 이전에 보지 못했던 60, 70개의 새로운 분화구를 식별했다. 하지만 이건 시작에 불과하다. 더 많은 것을 찾을 수 있기를 기대하고 있다."

앞으로 와그스테프와 제트추진연구소의 동료들은 이러한 종류의 기계 학습이 우주 공간에서 이루어져서 그 과정이 더욱 빨라질 것으로 기대하고 있다. 거대한 슈퍼컴퓨터로 처리하기 위해 모든 이미지를 지구로 보내는 대신에 화성 정찰 궤도선과 같은 우주선은 그들 자신의 데이터를 아삭아삭할 수 있을 것이다. 이것은 더 유연하고 반응적인 임무를 가능하게 할 것이다. 왜냐하면 궤도 탐사선은 관심 지점을 확인하기 위해 인간이 말할 때까지 기다릴 필요가 없기 때문이다. 분화구가 감지되면 즉시 보다 민감한 기기로 추적 관찰을 할 수 있다. 그리고 화성 궤도선은 대역폭에 굶주려 있기 때문에, 그것은 표면에 흥미로운 변화를 보여주는 이미지들만 보내줌으로써 이 귀중한 자원을 보존하는데 도움이 될 것이다.

그러나 현재로써는 그것은 여전히 요원한 목표이다. 분화구 작업은 우주항공우주국(NASA)의 더 큰 프로그램의 일부로서, 궤도상에 이미지 변화 감지 알고리즘을 구현하기 위한 것이다. 영상의 변화를 감지하는 것은 AI 연구에서 잘 알려진 문제이지만, 우주에서 변화 감지 알고리즘을 실행할 수 있는 하드웨어를 구축하는 것은 그렇지 않다. 와그스태프와 연구팀은 화성 분화구에 대한 최근 연구에서 대형 슈퍼컴퓨터에 75개의 코어를 사용했는데, 이는 화성 궤도 탐사선보다 계산 능력이 훨씬 더 큰 수준이다.

와그스테프는 "기내에서 계산을 하려면 현재 사용 가능한 프로세서의 종류가 매우 제한되어 있다."라고 말한다. "당신은 큰 슈퍼컴퓨터를 가지고 있지도 않고 멀티 코어 프로세서도 없다. 따라서 변화를 감지하기 위해서는 모든 것이 매우 계산적으로 효율적이어야 한다."

미래의 우주선에 AI를 통합하는 것은 더 중요해질 뿐이다. 기술이 향상되고 데이터 전송 속도가 증가함에 따라, NASA 연구원들은 계속 늘어나는 정보의 홍수와 싸워야 할 것이다. 그러나 솔루션이 대규모 검색 공간에 숨겨져 있는 "니들 인 더 헤이 스택(needle-in-the-haystack)" 문제는 머신 러닝이 해결하기 위해 고안한 바로 그 유형의 과제이다. 인공지능을 이용한 탐험가들이 태양계를 돌아다니게 되면, 우리가 무엇을 찾을 수 있을지 누가 알 수 있을까?

** 위 기사는 와이어드US(WIRED.com)에 게재된 것을 와이어드코리아(WIRED.kr)가 번역한 것입니다. (번역 : 배효린 에디터)

<기사원문>
NASA is training an AI to detect fresh craters on mars