지구 중력이 10년을 늘이거나 줄인다

배경

자연에 게재된 한 연구는 지구 자전의 미묘한 불규칙성을 해독하기 위해 하이브리드 딥러닝 모델을 활용했다. 행성의 핵과 맨틀 사이의 중력 결합이 어떤 10년은 최대 3밀리초까지 늘어나게 하고 다른 10년은 압축시킨다는 것이다. 연구팀은 1970년대 이후 반세기 동안의 VLBI 및 GPS 측정 데이터를 수집하여 약 6~10년 주기의 내부 신호를 분리하는 신경망을 훈련시켰다. 이 신호의 진폭은 불과 0.몇 밀리초에 불과하지만, 표준 10년 동안 최대 3밀리초의 누적 편차를 일으켜 하루에 100만분의 3의 시계 오차에 해당한다. 이 발견은 10년 규모의 하루 길이(LOD) 변동을 핵-맨틀 경계에서의 각운동량 교환과 직접 연결하여 지구 심부 역학을 탐사하는 새로운 창을 열었다.

이 현상은 지구물리학적 규모에서 시간이 균일하게 흐른다는 가정에 도전한다. 대기 바람, 해류, 조석 마찰과 같은 외부 요인은 오랫동안 지구 자전을 조절하는 것으로 알려져 왔지만, 그 기여는 비교적 잘 모델링되어 왔다. 그러나 잔여 10년 신호는 연구팀이 자기 지도 학습 프레임워크를 적용하기 전까지 깨끗하게 분리되지 못했다. 글로벌 대기 재분석 및 해양 순환 모델로 구축된 합성 데이터셋으로 훈련함으로써, AI는 외부 강제력의 시공간적 지문을 인식하는 법을 배운 다음 실제 LOD 시계열에서 내부 중력 신호를 추출했다. 이 접근법은 여전히 제약이 많은 핵 흐름의 명시적 물리 매개변수화 필요성을 우회한다.

심층 분석

모델 아키텍처는 1차원 합성곱 계층과 LSTM 네트워크를 융합한 듀얼 스트림 설계다. 합성곱 스트림은 대지진이나 강한 엘니뇨 사건으로 인한 것과 같은 급격하고 국지적인 섭동을 포착하고, LSTM 스트림은 느린 수십 년 규모의 추세를 모델링한다. 어텐션 메커니즘은 다양한 핵 역학 과정의 기여도를 동적으로 가중하여 네트워크가 10년 신호에 가장 관련성 높은 깊이 범위에 집중할 수 있도록 한다. 훈련은 역사적 경계 조건으로 최첨단 해양-대기 모델을 구동하여 생성된 합성 데이터셋에서 수행되었으며, 이를 통해 네트워크는 실제 관측에 맞서기 전에 알려진 외부 구동 요인을 분리하는 법을 학습했다.

검증 결과 추출된 내부 신호가 물리적으로 견고함이 입증되었다. 이 모델은 기록된 화산 폭발 및 대지진과 관련된 LOD 점프의 95% 이상을 설명하여, 분리된 잔차가 인공물이 아님을 확인했다. 불확실성을 정량화하기 위해 연구팀은 생성적 적대 신경망(GAN)을 사용하여 가능성 있는 내부 신호의 앙상블을 생성했으며, 10년 진동의 신뢰 구간은 모든 위상에서 0을 배제하여 무작위 잡음을 배제했다. 그 결과 시계열은 지자기 저크와의 독립적 추론과 일치하는 명확한 6~10년 주기성을 보여주어, 핵-맨틀 결합에 뿌리를 둔 중력 기원의 근거를 강화한다.

산업 영향

이 발견은 정밀 시간 측정에 즉각적인 영향을 미친다. 협정 세계시(UTC)는 지구의 변동하는 자전과 동기화를 유지하기 위해 주기적으로 윤초로 조정되지만, 10년 규모의 비선형성은 장기 예측을 복잡하게 만든다. AI로 도출된 내부 중력 예측은 윤초 결정의 리드 타임을 6개월에서 수년으로 연장하여, GNSS, 금융 거래 네트워크, 통신 동기화의 운영 비용을 절감할 수 있다. 10년 동안 3밀리초의 누적 오차는 GNSS 군집에 약 1미터의 위치 표류로 이어지므로, 개선된 모델링은 내비게이션 신뢰성을 직접적으로 향상시킨다.

위성 궤도 결정 또한 혜택을 볼 수 있다. SpaceX의 Starlink 및 OneWeb과 같은 저궤도 거대 군집은 충돌 회피 및 위치 유지를 위해 정밀한 지구 방향 매개변수가 필요하다. 새로운 내부 신호를 궤도 전파기에 통합하면 예측 오차를 10~15% 줄일 수 있으며, 이는 궤도 밀도가 증가함에 따라 결정적인 차이가 된다. 이 모델은 오픈소스로 공개되어 주요 지구 시스템 모델링 플랫폼에 통합되었고, 기후 과학자들이 고기후 시간 척도 재보정에 활용하고 있다.

전망

세 가지 발전에 주목할 필요가 있다. 첫째, 모델을 10년 규모에서 100년 또는 1000년 규모로 확장하면 고대 일식 기록과 이론적 계산 간의 불일치와 같은 역사적 이상 현상을 해결할 수 있다. 이를 위해서는 LOD 네트워크를 나이테, 산호, 빙하 코어와 같은 다중 모드 고기후 아카이브와 융합하여 AI를 진정한 다중 프록시 학습으로 이끌어야 한다. 둘째, 실시간 배포가 진행 중이다. 연구팀은 유럽 중기 예보 센터(ECMWF)와 협력하여 모델을 온라인 LOD 예측 서비스로 구현하고 있다. 이러한 시스템은 화성 샘플 반환 임무를 포함한 다가오는 심우주 임무에 밀리초 미만의 타이밍 보장을 제공할 수 있다.

셋째, 해석 가능성은 여전히 개척 분야로 남아 있다. 현재 모델은 신호를 분리하지만 핵-맨틀 경계에서의 중력 토크 분포를 직접 출력할 수는 없다. 다음 단계는 핵 유체 운동의 자기유체역학 방정식을 물리 정보 신경망에 내장하여 "블랙박스"를 투명하게 만드는 것이다. 지구 과학 빅데이터와 AI가 수렴함에 따라, 날씨처럼 수년 전에 지구 자전의 "기분"을 예측할 수 있는 가능성이 가시화되며, 시간 자체를 일정한 배경이 아닌 동적 변수로 재정의하게 된다.