천문·천체물리
외계행성 3D 기후 모델링을 위한 잠재공간 신경망 임베딩 연구
제임스웹 우주망원경(JWST)과 아리엘(Ariel) 같은 망원경의 발전으로 외계행성 대기 관측을 해석할 효율적인 3D 기후 모델 수요가 커지면서, 계산량이 많은 기존 3차원 대기대순환모델(GCM)을 대체할 머신러닝 에뮬레이터 연구가 진행되고 있다. 기존 연구(Plaschzug et al. 2026)는 심층신경망(DNN)으로 기체 압력·경위도 좌표·전역 온도를 입력받아 격자점마다 국소 기체 온도와 바람을 예측했으나, 학습 격자의 해상도와 제약에 한계가 있었다. 연구진은 국소 기체 온도(T_gas)의 잠재공간 표현에 기반한 대안적 프레임워크들을 검토해 저차원 표현을 얻었으며, 이는 기존 점 단위 예측 방식을 대체할 잠재공간 회귀 모델 개발의 첫 단계라고 설명했다. 대기 데이터의 최적 임베딩 공간을 포착함으로써 계산 효율을 유지한 채 프로파일을 생성할 수 있어 대규모 외계행성 앙상블 연구에 적합하다는 것이 연구진의 설명이다.
arXiv astro-ph.EP (행성계)
