행성과학·태양계
aRieL - 아리엘(Ariel) 우주망원경 관측 스케줄링을 위한 강화학습
아리엘(Ariel) 미션은 수백 개 외계행성 대기를 대상으로 하는 집단 수준 서베이를 수행하며, 방대하고 다양한 관측 후보 목록 전체에 걸쳐 관측 일정을 수립해야 한다. 연구진은 아리엘의 스케줄링을 장기 최적화 문제로 설정하고, 시뮬레이션 관측 환경에 Set Transformer 기반 PPO(Proximal Policy Optimisation) 에이전트를 결합한 aRieL을 제안했다. 이 강화학습 정책은 기존 휴리스틱 기준 정책들과 비교해 대규모 Tier 1 표본을 확보하면서도 높은 Tier 3 완수율, 모집단 커버리지, 관측 효율을 유지하는 절충안을 일관되게 찾아냈고, 후보 목록을 크게 확장해도 같은 특성이 유지됐다. 또한 기본 미션 시나리오로 학습한 정책이 재학습 없이 Tier 3 반복 관측이 필요한 변형 시나리오에도 일반화됐으며, 보상 함수를 수정하면 학습된 관측 전략도 그에 따라 변화했다. 연구진은 강화학습이 상태 의존적이고 복잡한 스케줄링 문제를 가진 관측소 전반에 유연하게 적용될 수 있다고 평가했다.
arXiv astro-ph.EP (행성계)