행성과학·태양계
케플러-88 사례로 본 통과시각변화(TTV) 분석용 딥러닝 프레임워크
연구진은 외계행성의 질량·궤도 특성을 알려주는 통과시각변화(TTV)와 통과지속시간변화(TDV) 데이터를 입력으로 받아, 통과하지 않는 동반 행성의 특성을 예측하는 트랜스포머 기반 딥러닝 기법을 제안했다. 기존에는 MCMC로 역문제를 풀었으나, 행성 하나만 통과하는 계처럼 MCMC로 다루기 어려운 문제에 적용할 수 있다는 것이 특징이다. 케플러-88을 바탕으로 안쪽 행성은 고정하고 바깥 행성의 질량·궤도요소를 변화시킨 두 행성계를 100만 건 시뮬레이션으로 학습한 결과, 궤도 장반경과 이심률에서 10% 이하, 행성 질량에서 약 10~30%의 상대오차를 얻었다(항성과 통과 행성의 매개변수는 알려진 것으로 가정). 시험 집합에서는 TTV 반진폭이 약 0.3초에서 약 5분 범위인 계에 대해 상대오차가 수 퍼센트 미만으로 낮았으며, 더 약하거나 강한 TTV 신호나 추가 행성·항성 동반천체를 포함한 계로 확장하는 것은 향후 과제로 남았다.
arXiv astro-ph.EP (행성계)
