A Machine Learning Based Search for Lunar Anomalies

달의 침묵하는 일기와 로봇 탐정

달을 단순히 밤하늘에 떠 있는 빛나는 바위가 아니라, 돌에 새겨진 거대하고 고요한 일기장이라고 상상해 보세요. 수십억 년 동안 달은 표면에서 일어난 모든 충돌, 모든 미끄러짐, 그리고 모든 변화를 기록해 왔습니다. 최근 수십 년 동안 인류는 이 일기장의 사진을 수백만 장 찍기 위해 고도로 정밀한 스파이인 달 궤도 정찰선(LRO)을 보냈습니다. 이 이미지들은 매우 상세해서 우주에서도 단 하나의 바위를 찾아낼 수 있을 정도입니다. 하지만 수백만 장의 사진을 직접 눈으로 확인하는 것은 눈을 가린 채 해변에서 특정 모래알 하나를 찾는 것과 같습니다. 인간의 눈만으로는 불가능한 일이죠.

여기서 '머신러닝(기계 학습)'이라는 과학 분야가 등장합니다. 머신러닝을 아주 똑똑한 탐정이 되도록 컴퓨터를 교육하는 과정이라고 생각하면 됩니다. 컴퓨터에게 정확히 무엇을 찾으라고 알려주는 대신(예: "크레이터를 찾아라"), 컴퓨터가 '정상적인' 달의 흙 사진 수천 장을 공부하여 평균적인 표면이 어떻게 생겼는지 스스로 학습하게 만드는 것입니다. 일단 '정상'이 무엇인지 알게 되면, 컴퓨터는 조금이라도 이상하거나 평소와 다른 것을 즉시 포착할 수 있습니다. 이것이 바로 '테크노시그니처(technosignatures)'를 찾는 핵심 아이디어입니다. 테크노시그니처란 기술적 흔적, 즉 인간이나 혹은 외계인이 남겼을지도 모르는 기술의 흔적이 표면에 숨겨져 있을 가능성을 뜻하는 멋진 표현입니다. 큰 질문은 이것입니다. 과연 바위들 사이에 숨겨져 있는, 잊혀진 착륙선이나 기이한 구조물 같은 인공적인 무언가가 존재할 수 있을까요?

---

로봇에게 달의 이상한 것들을 찾아내는 법 가르치기

이 논문에서 연구진은 **$\beta$-변이형 오토인코더($\beta$-Variational Autoencoder, VAE)**라고 불리는 새로운 종류의 로봇 탐정을 테스트하기로 했습니다. 이 모델을 달을 수년간 연구한 디지털 화가라고 생각하면 쉽습니다. 이 로봇의 임무는 단순합니다. 달의 사진을 보고, 기억을 되살려 이를 다시 그려본 뒤, 자신이 그린 그림을 원본 사진과 비교하는 것입니다.

마법이 일어나는 방식은 다음과 같습니다:
달은 대부분 지루하고 균일합니다. 그저 회색 먼지와 바위일 뿐이죠. 로봇은 이 '평균적인' 회색이 어떻게 생겼는지 학습합니다. 로봇이 평범한 먼지가 있는 구역을 보면 완벽한 복사본을 그려냅니다. 하지만 무언가 이상한 것—예를 들어 새로운 크레이터, 산사태로 인한 바위 더미, 혹은 오래된 우주 쓰레기 같은 것—을 발견하면 당황하게 됩니다. 로봇은 '정상적인' 배경을 그리려고 노력하지만, 그 기이한 물체는 배경과 어울리지 않기 때문입니다. 로봇이 예상했던 모습과 실제로 보고 있는 모습 사이의 차이를 **'이상치 점수(anomaly score)'**라고 부릅니다. 차이가 클수록 점수가 높아지며, 그 지점은 더욱 의심스러운 곳이 됩니다.

연구진은 이 로봇에게 방대한 양의 데이터를 먹였습니다. LRO에서 가져온 약 1,000장의 이미지를 64x64 픽셀 크기의 작은 정사각형 조각(지표면 기준 약 32x32미터 크기)으로 잘게 나눈 것입니다. 이는 로봇이 공부해야 할 5,200만 개 이상의 작은 조각들입니다! 로봇은 달 표면의 패턴을 학습한 후, 자신이 보는 모든 조각에 대해 성적을 매기기 시작했습니다.

탐정은 무엇을 찾아냈나?

연구팀은 자신들의 로봇 탐정이 실제로 제 역할을 하는지 확인하고 싶었습니다. 그들은 이미 다른 사람들이 발견했던 두 곳의 유명한 '의심스러운' 지점을 제시했습니다: **플래스켓 크레이터(Plaskett Crater)**와 **파라셀서스 C 크레이터(Paracelsus C Crater)**입니다.

• 플래스켓 크레이터는 바위들이 굴러 떨어진 암석 경사면입니다.
• 파라셀서스 C에는 충돌로 인해 남겨진 듯한 날카롭고 각진 바위 두 개가 있습니다.

로봇은 이곳들이 특별하다는 설명을 듣지 못했습니다. 로봇은 이미지를 살펴보고 점수를 계산하여, 이 지점들을 즉시 높은 이상치 지점으로 표시했습니다. 일반적인 조각의 평균 점수는 약 23이었지만, 이 기이한 지점들은 뚜렷하게 눈에 띄었습니다. 이는 모델이 무엇을 찾으라는 특정 목록을 입력받지 않고도 독특한 지질학적 특징을 찾아낼 수 있음을 증명했습니다.

하지만 진짜 재미있는 부분은 연구진이 테크노시그니처, 즉 인공물에 대해 로봇을 테스트했을 때였습니다. 연구진은 다음을 포함한 유명한 착륙 지점의 이미지들을 입력했습니다:

• 아폴로 11, 12, 14, 15, 16, 17 착륙선.
• 서베이어 3(Surveyor 3) 착륙선.
• 창에 3, 5, 6 착륙선.
• 심지어 아폴로 13호 로켓과 루나 24 착륙선의 추락 지점까지.

로봇은 이 작고 인공적인 물체 대부분을 이상치로 성공적으로 식별해 냈습니다! 여기서 중요한 점은 로봇이 이 인공물들에게 가장 높은 점수를 주지는 않았다는 것입니다. 왜일까요? 로봇이 학습한 패치의 크기가 32x32미터였기 때문입니다. 아주 작은 착륙선은 그 큰 패치 안에서 아주 작은 점에 불과하므로, 거대한 크레이터처럼 화면을 압도하지 못합니다. 하지만 로봇은 여전히 무작위로 추측하는 것보다 훨씬 더 잘 이들을 찾아냈습니다. 실제로 이 모델의 이상치 발견 능력은 단순히 찍는 것보다 3.02배 더 뛰어났습니다.

얼마나 확신하는가?

연구진은 이 방법이 작동한다는 것에 매우 확신하고 있지만, 과장하지 않도록 주의를 기울였습니다. 그들은 통계적 검정(Kolmogorov-Smirnov 검정)을 사용했는데, 결과값인 p-값은 1.95x10⁻³⁵였습니다. 쉬운 말로 설명하자면, 이 숫자는 너무나도 작아서 로봇이 단순히 운이 좋아서 맞춘 것이 아니라, 정상적인 달의 흙과 이상치가 있는 지점 사이의 차이를 실제로 보고 있다는 것을 입증합니다.

하지만 이 논문은 새로운 외계 기지나 잃어버린 우주선을 발견했다고 주장하는 것이 아닙니다. 단지 이 특정 유형의 머신러닝 모델이 달을 스캔하는 데 강력한 도구라는 것을 증명할 뿐입니다. 로봇은 우리가 이미 알고 있는 것들을 찾아냈으며, 이는 로봇이 우리가 아직 모르는 것들을 찾아낼 준비가 되었음을 시사합니다.

다음 단계는 무엇인가?

연구팀은 이것이 시작일 뿐이라고 보고 있습니다. 그들의 다음 목표는 이 로봇을 달 전체에 돌려 '기이한 지점들의 글로벌 지도'를 만드는 것입니다. 그들은 다음을 발견하기를 희망합니다:

• 숨겨진 화산 구덩이나 무너진 용암 동굴 (미래의 우주 비행사들이 숨기에 아주 좋은 곳이죠!).
• 새로운 크레이터나 낙석.
• 뒤에 남겨진 누락되었거나 알려지지 않은 기술적 파편들.

그들은 또한 로봇이 학습한 패치 크기로 인해 '편향(bias)'을 가질 수 있다는 점을 인지하고 있습니다. 만약 더 작은 패치로 학습시킨다면, 더 작은 물체를 찾는 데 능숙해질 것입니다. 반대로 더 큰 패치로 학습시킨다면, 거대한 크레이터를 찾는 데 더 뛰어날 것입니다. 그들은 최상의 결과를 얻기 위해 여러 버전의 로봇을 혼합하여 사용할 계획입니다.

마지막으로, 이것은 달만을 위한 것이 아닙니다. 동일한 기술을 고해상도 사진이 있는 화성, 수성 또는 다른 행성에도 적용할 수 있습니다. 코드 또한 누구나 사용할 수 있도록 공개되어 있으므로, 이 디지털 탐정은 우리 태양계의 낯설고 미지의 것들을 찾는 데 전 세계를 도울 준비가 되어 있습니다.