행성과학·태양계
신경망을 수식으로 증류해 행성계 불안정성을 예측
다중 행성계가 언제 역학적으로 불안정해지는지는 300년간 해석적 접근이 어려웠던 문제이며, 최근 머신러닝이 높은 예측 성능을 보였으나 블랙박스라 기존 과학적 이해와 연결하기 어려웠다. 연구진은 N체 시뮬레이션 데이터로 신경망을 학습시킨 뒤, 해석 가능한 변수 기저를 먼저 학습하고 기호 회귀(symbolic regression)로 수식을 탐색하는 2단계 파이프라인을 통해 불안정 시점을 예측하는 닫힌 형태의 해석적 수식을 도출했다. 이 수식들은 기존 해석적 추정치보다 뛰어난 성능을 보였고, 넓은 범위의 질량비·간격·궤도 이심률에 걸쳐 적용되며, 역학적으로 해석 가능한 소수의 변수로 예측 구조를 포착했다.
arXiv astro-ph.EP (행성계)