태양 폭풍, 9시간 전에 AI가 미리 잡아낸다

우주 기상 예보에 중요한 전환점이 마련됐다. 미국 뉴저지공과대학교(NJIT), 프린스턴대학교, NASA 에임스 연구센터(AMES)의 공동 연구팀이 태양 활동 지역(active region)의 출현을 평균 9.24시간 전에 예측하는 AI 모델 EarlyDetect(얼리디텍트) 를 개발했다. 이 연구 결과는 Journal of Geophysical Research: Machine Learning and Computation 저널에 게재됐다.

얼리디텍트, 슬라이딩 윈도우 방식으로 태양 내부 들여다본다

얼리디텍트는 대규모 언어 모델(LLM)의 기반이 되는 변압기(Transformer) 구조를 사용하지만, 텍스트 대신 태양 관측 데이터의 패턴을 학습한다. 이 시스템은 NASA의 태양 역학 관측소(SDO)에 탑재된 헬리오시즈믹 자기 영상기(HMI)가 45초마다 기록하는 음향파 파워 맵과 자기장 데이터를 매시간 분석한다.

태양 내부에서 자기장이 표면으로 올라오면 음향파에 미세한 흔적이 남는다. 활동 지역이 시각적으로 나타나기 전에 음향파 출력이 먼저 떨어지고, 이어서 연속체 강도와 자기장에 변화가 생긴다. 모델은 슬라이딩 윈도우 기법을 통해 이런 시간적 흐름을 분석, 흑점이 나타나기 전 태양 진동의 미세한 변화를 감지해낸다.

연구진은 이를 "시끄러운 오케스트라 속에서 아주 미세한 리듬 변화를 감지하는 것"에 비유하며, 태양의 끊임없는 활동 속에서 자기장과 음향파 패턴의 아주 작은 변화를 찾아내는 작업의 어려움을 설명했다.

예상을 뒤엎은 필터링 기법의 역효과

연구 과정에서 가장 교훈적인 발견 중 하나는 예상치 못한 실패였다. 연구팀은 AI가 중요한 패턴을 더 잘 식별하도록 돕기 위해 필터링 기법을 처음에 적용했지만, 오히려 성능을 떨어뜨리는 결과를 초래했다.

공동 수석 연구원인 알렉산더 코소비체프(Alexander Kosovichev)는 "처음에는 이 필터가 유용한 단기 패턴을 분리하는 데 도움이 될 것으로 기대했지만, 오히려 가장 빠른 경고 신호를 제공하는 매우 희미한 변동들을 평균화해 버렸다"고 설명했다. 제1 저자인 조나스 티로나(Jonas Tirona)는 이 필터가 "거의 모든 경우에 해로웠다"며, 제거된 신호가 정확히 모델이 활동 지역 출현을 예측하는 데 필요한 바로 그 신호였다고 지적했다.

이러한 반직관적인 결과는 태양물리학을 위한 AI 모델이 예상과 다르게 작동할 수 있으며, 모든 전처리 단계에 대한 신중한 경험적 검증이 필요함을 강조한다.

벤치마크 성능과 중요한 한계점

얼리디텍트의 최고 성능 버전은 기존 LSTM 기준 모델보다 평균 제곱근 오차(RMSE)에서 10.6% 개선된 성과를 냈다. 이는 표준 Transformer 모델 및 기존 벤치마크 방법보다 뛰어난 성능이다.

연구진은 실제 우주 기상 예보에 적용할 때 중요한 몇 가지 한계를 강조했다.

• 오경보: 모델이 실제로 발생하지 않는 활동 지역 출현을 예측하는 경우가 있다.
• 늦은 예측: 모든 활동 지역을 충분한 시간을 두고 감지하지는 못한다.
• 폭발 연계성 부족: 활동 지역이 감지됐다고 해서 반드시 태양 플레어나 코로나 질량 방출(CME)을 일으킨다고 보장할 수는 없다. 모델은 활동 지역 자체의 출현을 예측할 뿐, 이후의 폭발적 활동까지 예측하는 것은 아니다.

향후 연구를 위한 공개 데이터셋 공개

연구팀은 이 분야의 연구를 가속화하기 위해 SolARED(태양 활동 지역 출현 데이터셋) 를 공개했다. 이는 SDO/HMI의 도플러 속도, 자기장, 연속체 강도 전체 디스크 지도에서 파생된 머신러닝 전용 데이터셋이다. 데이터셋에는 음향파 출력 및 기타 물리적 매개변수의 진화를 특성화하는 재매핑, 추적, 구간화된 시계열 데이터가 포함되어 있다. 이 데이터는 전용 포털을 통해 누구나 이용할 수 있으며, 향후 태양물리학 및 우주 기상 연구를 지원할 예정이다.

우주 기상 예보의 미래

얼리디텍트는 태양 활동 지역 출현 전 약 9시간의 사전 경보를 제공함으로써, 위성, 전력망, 우주비행사들을 태양 폭풍으로부터 보호하는 데 기여할 수 있는 실질적인 조기 경보 시스템 구축의 중요한 첫걸음이다. 또한 공개된 SolARED 데이터셋은 다른 연구자들이 이 연구를 기반으로 예보를 더욱 개선하거나, 실제 폭발적 사건을 예측하는 방향으로 연구를 확장할 수 있는 발판을 마련해 준다.

다만 현재 모델의 한계(오경보, 늦은 예측, 활동 지역 발견과 실제 폭발 간의 괴리)는 아직 완벽한 솔루션이 아님을 의미한다. 연구진이 이러한 단점을 솔직하게 보고한 점은 그 자체로 가치가 있으며, 차세대 모델이 개선해야 할 명확한 방향을 제시하고 있다.