우주를 더 잘 보게 되면 과학은 쉬워질까. 제임스웹 우주망원경(JWST)이 보여준 현실은 반대에 가깝다. 이제 문제는 "볼 수 있느냐"가 아니라, 쏟아지는 데이터 중 무엇을 먼저 믿고, 무엇을 다시 확인하고, 무엇을 다음 관측 대상으로 삼을지 결정하는 일이다.
JWST 관측 자료를 다루는 연구팀들은 AI와 GPU를 활용해 은하 분류, 카탈로그 생성, 이상 징후 탐지, 시뮬레이션 비교를 자동화하고 있다. NVIDIA가 소개한 UC Santa Cruz 연구 사례에 따르면, 이 흐름은 초기 우주 은하 연구뿐 아니라 베라 루빈 천문대처럼 매일 수십 테라바이트급 데이터를 낼 차세대 관측소로 확장되고 있다.1 중요한 변화는 속도 향상만이 아니다. AI는 천문학자가 던질 수 있는 질문의 크기 자체를 바꾸고 있다.
새 병목: 우주를 보는 능력보다 분류하는 능력
JWST는 적외선으로 130억 년 넘게 이동한 빛을 포착한다. 문제는 한 장의 딥필드 이미지에도 수많은 은하가 겹쳐 있고, 신호는 희미하며, 관측 장비와 보정 과정의 흔적도 함께 들어 있다는 점이다. 사람이 눈으로 하나씩 확인하는 방식은 더 이상 연구의 중심 워크플로가 되기 어렵다.
UC Santa Cruz의 Morpheus 같은 모델은 이미지 전체를 한 번에 "은하 하나"로 판단하지 않고, 픽셀 단위로 구조를 나눈다. 원반, 팽대부, 별, 배경을 구분해 은하 형태를 자동 분류하는 방식이다.2 이는 자율주행의 시맨틱 세그멘테이션과 유사한 접근이다.
실무적으로 보면, AI는 천문학자의 시간을 "검출"에서 "검증과 해석"으로 옮긴다. 예전에는 희미한 후보를 찾는 데 많은 시간이 들었다면, 이제는 후보군을 빠르게 만들고 그중 어떤 것이 물리적으로 그럴듯한지 따지는 데 더 많은 역량이 필요하다.
'찾기'에서 '좋은 질문을 고르기'로
AI가 흥미로운 이유는 빠르기 때문만이 아니다. 대규모 데이터에서 사람이 미리 예상하지 못한 패턴을 묶어낼 수 있기 때문이다.
예를 들어 Morpheus를 JWST 초기 관측에 적용한 논문은 고적색편이 은하에서 원반형 후보가 생각보다 이른 시기에 나타날 수 있음을 제시했다. 해당 연구는 z~5 부근 후보까지 언급하며, 일부는 허블 이미지에서는 compact한 천체처럼 보였지만 JWST의 깊이와 해상도에서는 원반 구조가 드러났다고 분석했다.3 여기까지는 관측과 모델 기반 분석의 결과다. "초기 우주가 기존 이론보다 훨씬 빨리 질서 잡힌 구조를 만들었다"는 해석은 추가 검증이 필요한 과학적 주장이다.
비슷한 흐름은 GalaxyFriends 같은 도구에서도 보인다. 약 9만 개에 가까운 은하를 유사도 기반 이웃으로 묶어, 연구자가 개별 이미지를 넘기지 않고도 특이 사례와 패턴을 찾게 한다.1 이때 AI는 답을 주는 기계라기보다, 질문 후보를 압축하는 장치에 가깝다.
자동 보정은 강력하지만, '그럴듯한 이미지'가 곧 사실은 아니다
AI 보정의 장점은 분명하다. Space.com이 소개한 UCSC의 Neo 모델은 지상 망원경 이미지와 우주망원경 이미지를 함께 학습해 대기 흐림을 줄이는 방식으로, 은하 형태 측정 정확도를 2~10배 개선했다고 보고됐다.4 루빈 천문대처럼 밤마다 약 20TB의 원시 데이터를 생산할 관측소에서는 이런 자동 보정이 선택이 아니라 기반 기술이 될 가능성이 크다.1
하지만 여기에는 트레이드오프가 있다. 생성 모델은 결측 디테일을 "복원"하지만, 그 복원이 실제 우주에 있던 구조인지 통계적으로 그럴듯한 추정인지 구분해야 한다. 특히 희귀 천체, 낮은 신호대잡음비, 훈련 데이터에 없던 형태에서는 모델이 자신 있게 틀릴 수 있다.
따라서 AI 기반 우주 발견 뉴스를 볼 때는 세 가지를 확인하는 편이 좋다.
원본 데이터와 처리 후 데이터가 함께 공개됐는가
독립 관측이나 다른 파이프라인으로 재현됐는가
모델이 학습한 데이터와 발견 대상의 조건이 얼마나 다른가
AMIGO 사례도 같은 교훈을 준다. JWST의 AMI 장비에서 발생한 미세한 흐림을 신경망과 시뮬레이션 기반 보정으로 줄였다는 연구가 보고됐고, 원인은 전하가 인접 픽셀로 새는 brighter-fatter effect로 설명됐다.5 이는 "소프트웨어 정의 광학"의 가능성을 보여준다. 동시에 보정 알고리즘 자체가 과학 결과의 일부가 되는 시대가 왔다는 뜻이기도 하다.
다음 세대 천문학자는 망원경만 보지 않는다
이 변화는 연구자와 학생에게 꽤 직접적이다. 앞으로의 천문학자는 관측 제안서를 쓰고 이미지를 해석하는 능력뿐 아니라, 데이터 파이프라인, 통계적 검증, 모델 편향, 재현 가능한 코드 운영을 이해해야 한다.
긍정적인 면도 있다. JWST 데이터는 MAST 같은 아카이브를 통해 접근 가능하고, FITS 뷰어·WCS 모자이크·RGB 합성·스펙트럼 클러스터링 같은 공개 도구와 실험 프로젝트도 늘고 있다.6 거대 망원경을 직접 운영하지 않는 작은 연구팀이나 학생도 공개 데이터와 AI 도구를 활용해 의미 있는 질문을 던질 수 있다.
결국 JWST 시대의 AI는 천문학자를 대체하는 기술이 아니다. 더 많은 후보를 만들고, 더 빠르게 의심하게 하며, 더 넓은 사람이 우주 데이터에 접근하게 만드는 기술이다. 지금 신경 써야 할 사람은 천문학자만이 아니다. 데이터 과학을 배우는 학생, 공개 과학 도구를 만드는 개발자, 우주 발견 뉴스를 읽는 독자 모두에게 기준이 필요하다. "AI가 찾았다"가 결론이 아니라 출발점이라는 기준 말이다.
참고
1Making Sense of the Early Universe
3Morpheus Reveals Distant Disk Galaxy Morphologies with JWST: The First AI/ML Analysis of JWST Images
5How AI Saved NASA's $10 Billion Webb Telescope From Blurry Vision
6GitHub - Snoww3d/jwst-data-analysis: A web application for analyzing James Webb Space Telescope data
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.