AI가 33억 년 된 암석에서 생명의 흔적을 발견하다

지구 최초의 생명체가 남긴 분자 신호를 AI가 읽어내기 시작했다 — 화성과 얼음 위성으로 향하는 탐사선에 탑재될 이 기술은, 우리가 우주에서 혼자인지 아닌지의 질문에 역사상 가장 가까이 다가가고 있다.

수십억 년의 지각변동, 열, 압력을 견뎌낸 돌덩어리 안에 생명의 흔적이 남아 있다고? 2025년 11월 『미국 국립과학원 회보(PNAS)』에 실린 연구 결과를 보면, 그 발상이 현실이 됐다는 걸 부정하기 어렵다 [1, 2, 3].

카네기 과학연구소(Carnegie Institution for Science)의 로버트 헤이즌(Robert Hazen) 박사 팀은 AI를 이용해 33억 년 된 암석에서 생명의 화학적 지문을 찾아내는 데 성공했다. 406개 샘플 — 현대 유기체, 화석, 운석, 합성 물질 포함 — 을 분석한 이 연구는 단순히 '오래된 암석에서 생명 흔적을 찾았다'는 데 그치지 않는다.

광합성의 분자적 증거를 기존 기록보다 무려 8억 년 앞으로 당겨놓았다 [2, 6].

바이오시그니처란 무엇인가 — 생명이 남긴 편지

바이오시그니처(biosignature)란 '생명의 서명'이다. 암석, 퇴적물, 광물 안에 보존된 형태학적·화학적·동위원소적 흔적으로, 과거에 생명체가 존재했거나 활동했음을 가리키는 증거들이다 [1, 4].

문제는 이 증거들이 어이없을 정도로 미묘하다는 데 있다. 수십억 년의 시간 동안 지구는 암석을 구기고, 찌고, 녹이고, 다시 굳혔다. 대부분의 유기 분자는 그 과정에서 산산조각이 났다. 온전한 분자가 남아 있기를 기대하는 건 모래사장에서 특정 모래알을 찾는 것이나 다름없다.

"분자의 유령을 읽는 법을 발견했다 — 수십억 년 전 초기 생명이 남긴 고도로 분해된 분자들로부터." — Robert Hazen, Carnegie Institution for Science

그래서 연구자들은 방향을 바꿨다. 특정 분자를 찾는 대신, 분자들이 부서지고 남은 패턴을 읽기로 한 것이다. 마치 찢어진 편지 조각들을 모아서 '이 편지가 사람이 쓴 건지, 기계가 찍어낸 건지'를 알아내는 것처럼 [11].

생명체는 특이한 방식으로 분자를 만든다. 진화와 자연선택은 특정 기능을 위해 특정 분자를 대량으로 생산하도록 세포를 최적화했다. 이 '선택적 편향'은 비생물적 화학 과정에서는 나타나지 않는 통계적 패턴을 만들어낸다. 아무리 오래된 암석이라도, 그 패턴의 잔재는 남는다 [5, 6].

바이오시그니처의 범주는 생각보다 넓다. 형태학적 흔적(미화석, 스트로마톨라이트), 화학적 지문(특정 유기 화합물의 분포), 동위원소 이상(탄소-12와 탄소-13의 비율 등)으로 나뉜다 [1, 13]. 각 범주마다 신뢰도와 탐지 가능성이 다르고, 환경 조건에 따라 해석이 달라진다는 점도 복잡성을 더한다.

머신러닝이 게임을 바꾸다 — 90%의 정확도

전통적인 바이오시그니처 탐지 방법의 한계는 명확하다. 인간의 눈과 판단에 의존하다 보니, 수십억 년 전 데이터가 만들어내는 고차원적이고 비선형적인 패턴을 놓치는 경우가 너무 많았다.

머신러닝(ML)은 그 문제를 정면으로 돌파한다 [7, 8].

핵심 기술: 열분해 가스 크로마토그래피-질량 분석법(Pyrolysis GC-MS)는 샘플을 산소 없는 환경에서 가열해 분해한 뒤, GC-MS 기기로 분해 산물을 분리·식별하는 방법이다. 각 샘플은 방대한 3차원 데이터(스캔 번호 / 질량-전하 비율 / 강도)로 변환된다. 인간이 이 데이터를 수작업으로 분석하는 건 사실상 불가능에 가깝다 [2].

연구팀은 여기에 여러 ML 기법을 결합했다.

최근방 투영 거리 회귀(NPDR, Nearest-neighbors Projected Distance Regression)라는 특징 선택 기법으로 수천 개의 변수 중 생물학적 활동과 가장 관련 있는 특징들을 추려냈다 [9]. 그 위에 랜덤 포레스트(Random Forest)와 합성곱 신경망(CNN)을 얹어 샘플의 생물 기원 여부를 분류하도록 훈련했다 [2].

결과는 놀라웠다. 생물 기원 샘플과 비생물 기원 샘플을 구별하는 정확도가 약 90%에 달했고 [7, 8], 살아있는 유기물과 비생물 유래 물질을 구분하는 데서는 98%, 광합성의 흔적을 찾아내는 데서는 93%의 성공률을 보였다 [10]. 단순히 특정 화합물을 찾는 게 아니라, 크로마토그래피와 질량 피크들의 관계적 패턴 전체를 학습했기 때문이다.

"생화학은 가장 깊은 수준에서 비생물 유기 화학과 다르다 — AI는 그 차이를 인간보다 훨씬 잘 읽어낸다."

33억 년 된 남아프리카 암석에서 미생물 생명의 화학적 지문이 확인됐고, 25억 년 전 암석에서는 광합성 생명체의 흔적이 발견됐다. 기존에 화학적으로 확인된 광합성의 기록이 약 16억 년 전까지였다는 점을 감안하면, 이번 발견은 그 기록을 8억 년 이상 앞당긴 것이다 [2, 5, 11].

그림 1. 머신러닝 기반 고대 암석 내 생명 흔적 식별 공정 및 기술적 기대 효과. 첨단 분광 기술로 확보한 고대 암석의 복잡한 데이터셋은 특징 선택 및 딥러닝 기반의 분류 모델을 통해 생물학적 기원 여부가 정밀하게 식별된다. 이 체계는 약 90% 이상의 높은 식별 정확도를 보장하며, 화성 탐사선 등에서 시료 파괴 없이 실시간으로 현장 분석을 수행할 수 있는 비파괴적이고 지연 없는 분석 환경을 제공한다. 특히 지구 중심적 사고를 탈피한 불가지론적(Agnostic) 프레임워크를 지원함으로써 외계 행성의 다양한 환경에서 미지의 생명 흔적을 탐지할 가능성을 극대화한다.

탐지된 구체적 바이오시그니처들

그럼 AI는 정확히 무엇을 '읽었을까'?

화학적 지문이라고 부르는 첫 번째 범주는 광합성과 연관된 분자 잔재들이다. 생명체는 광합성 과정에서 더 가벼운 탄소 동위원소인 탄소-12(¹²C)를 선호적으로 사용한다. 그 결과 암석 속에는 ¹²C가 상대적으로 농축된 '동위원소적으로 가벼운 탄소' 패턴이 남는다 [2, 13]. 이와 같은 탄소 동위원소 이상은 그린란드의 이수아 초지각대(Isua Supracrustal Belt)에서도 발견돼, 초기 생물학적 탄소 고정의 증거로 해석된다 [13].

동위원소 이상은 탄소에만 국한되지 않는다. 퇴적암 내 이상한 황 동위원소 조성은 유기 탄소가 풍부한 퇴적물과 황산염이 많은 해수 사이의 열수 환경 상호작용을 나타낼 수 있으며, 이는 호기성 세계의 존재를 시사한다 [14]. 철, 탄소, 납 동위원소 변이 또한 고대 해양의 산화 상태에 대한 단서를 제공한다 [14].

흥미로운 건 이 모든 게 맥락 의존적이라는 사실이다. 동일한 화학적 신호라도 어떤 환경, 어떤 암석 유형에서 나왔느냐에 따라 해석이 완전히 달라질 수 있다 [12, 13]. 그래서 단일 기법에 의존하기보다, 다양한 분석법을 조합하는 다중 기술 접근법이 강조된다 [15, 16].

액체 크로마토그래피-질량 분석법(LC-MS)과 광학 분광법 같은 기법들이 상호 보완적으로 활용될 때, 개별 기법보다 훨씬 높은 민감도와 특이도로 바이오시그니처를 잡아낼 수 있다 [15, 16]. 그리고 지금, AI는 그 여러 기법에서 나온 데이터를 하나로 통합해 의미를 뽑아내는 역할을 맡고 있다.

우주생물학에 미치는 충격

이 기술의 파급력이 지구 고대사 연구에서 그치지 않는다는 게 핵심이다.

비파괴 현장 분석. 전통적인 방법은 샘플을 채취해 지구로 가져와야 한다. 비용과 시간, 오염 위험 등 문제가 한두 가지가 아니다 [6]. AI 기반 시스템은 로버나 착륙선에 직접 탑재될 수 있다. 샘플 회수 없이도 현장에서 실시간으로 바이오시그니처를 판별할 수 있다는 뜻이다 [9].

2025년 9월, NASA는 퍼서비어런스(Perseverance) 로버가 화성 예제로 크레이터(Jezero Crater)의 '체야바 폴스(Cheyava Falls)' 암석에서 잠재적 바이오시그니처를 발견했다고 공식 발표했다 [17]. 비비아나이트(vivianite)와 그리자이트(greigite) 같은 철 관련 광물의 독특한 배열 — 지구에서는 미생물 활동과 주로 연관되는 패턴 — 이 확인된 것이다. 물론 아직 확정적 증거는 아니다. 하지만 CoLD 척도(Confidence of Life Detection Scale)와 증거 기준(Standards of Evidence)을 통해 과학계가 이 발견을 단계적으로 검증하고 있다 [17, 18].

화성 너머로. 과학자들의 시선은 이미 토성의 위성 엔셀라두스(Enceladus)와 목성의 위성 유로파(Europa)로 향하고 있다. 두 위성 모두 얼음 아래 액체 바다를 품고 있는 것으로 추정된다. CO₂ 동위원소 데이터에 ML을 적용한 최근 연구는 이런 환경에서도 생물 신호와 비생물 신호를 88% 이상의 정확도로 구별할 수 있음을 보여준다 [9].

"AI 기반 탐지 방법은 지구 중심적 가정에서 벗어난 '불가지론적 접근'을 가능하게 한다 — 우리가 상상하지 못한 형태의 생명도 찾아낼 수 있다는 뜻이다."

이것이 소위 불가지론적 프레임워크(Agnostic Framework)다. 우리가 아는 지구 생명체의 분자 특성을 기준으로 탐색하는 게 아니라, 어떤 형태의 생화학이든 '비생물적 화학과 통계적으로 다른 패턴'을 보이면 포착하는 방식이다 [6, 8]. 외계 생명이 DNA나 단백질을 쓰지 않아도 잡힐 수 있다는 뜻이고, 이는 전통적 탐지법이 원천적으로 가졌던 한계를 넘어서는 발상이다 [8].

엄격한 동료 검토의 중요성

기술이 아무리 강력해도, 과학은 결국 동료 검토(peer review)를 통해 걸러진다.

체야바 폴스의 발견을 보고한 연구에서 NASA 제트추진연구소(JPL)의 수석 과학자 케이티 스택 모건(Katie Stack Morgan)이 지적한 것처럼, 검출된 신호에 대한 대안적 설명을 충분히 배제하는 과정이 필수다 [18]. 철 광물이 미생물 활동 없이도 고온·산성 조건에서 비생물적으로 형성될 수 있다는 점은 여전히 논쟁의 여지를 남긴다 [17].

ML 모델이 90%의 정확도를 보인다는 건 곧 10%는 틀린다는 뜻이기도 하다. 수십억 년 된 암석에서 나온 신호가 그 10% 안에 속할 가능성은 항상 열려 있다. 라만 스펙트럼 라이브러리와 같은 종합적 데이터베이스의 확장, 그리고 다양한 지질 환경에서 채취된 샘플로 모델을 지속적으로 훈련시키는 작업이 필요한 이유다 [7, 23].

미래 방향 — 무엇이 남아 있나

연구는 멈추지 않는다.

고해상도 질량 분석법과 비타겟 분석(non-targeted analysis) 기술이 발전하면서, 수천 가지 잠재적 화학 바이오시그니처를 탐색하는 게 가능해지고 있다 [12]. 앙상블 ML 기법을 활용한 데이터 파이프라인은 복잡한 데이터셋 분류 성능을 더욱 끌어올릴 것으로 기대된다 [19].

다양한 환경에서 채취한 표본들의 체계적 축적도 핵심이다. 광합성 변이, 미생물 군집 상호작용 등 서로 다른 생화학 과정이 바이오시그니처의 특성에 어떻게 영향을 미치는지 이해해야 알고리즘의 탐지 성능을 높일 수 있다 [2, 13]. 국제 공동 연구팀 간의 협력 또한 이 흐름을 가속화할 것이다 [12].

"화성의 샘플이 지구에 돌아오는 날, AI가 그 안에서 어떤 이야기를 읽어낼지 — 그것이 진짜 기다려지는 순간이다."

Discussion

우주에서 우리는 혼자일까? 이 질문은 철학적 낭만을 넘어, 이제 실험실의 문제가 됐다.

AI가 33억 년 된 암석에서 화학 패턴을 읽어낸다는 사실 자체가 이미 혁명적이지만, 더 흥미로운 건 이 기술이 우리에게 던지는 개념적 도전이다. 90%의 정확도는 인상적이다. 그런데 한 가지 남는 질문이 있다. 이 모델이 지구 생명을 기반으로 훈련됐다면, 완전히 다른 생화학 원리로 작동하는 외계 생명을 과연 '생명'으로 인식할 수 있을까?

Cleaves et al. (2023)은 이 점을 깊이 다룬다 [21]. 연구팀은 생물 기원 샘플들이 고차원 특징 공간에서 뚜렷한 클러스터를 형성하고, 비생물 기원 샘플들은 매우 좁은 영역에 몰려 있다는 걸 발견했다. 이 위상적 구조는 흥미로운 가능성을 시사한다 — 지구 생명과 다른 생화학 원리를 가진 외계 생명이라도, 진화와 자연선택이 작동했다면 고차원 공간의 다른 영역에 자신만의 클러스터를 형성할 수 있다는 것이다. 불가지론적 접근의 이론적 정당성이 여기서 나온다.

하지만 실제 적용은 다른 문제다. 얼음 위성 탐사선은 극도로 제한된 데이터만 지구로 전송할 수 있다. Clough et al. (2025)의 연구는 유로파·엔셀라두스 환경 아날로그 CO₂ 동위원소 데이터로 훈련된 ML 모델이 88% 이상의 정확도를 보였음을 보여준다 [9]. 하지만 연구 자체가 지적하듯, 비생물적 지질 과정이 생물 신호와 유사한 동위원소 분별을 만들어낼 수 있다는 점이 여전히 골칫거리다. 모델이 '오탐(false positive)'을 낼 가능성, 즉 순전히 지질학적인 과정을 생명의 신호로 잘못 분류할 가능성을 완전히 배제하지 못한다.

어셈블리 이론(Assembly Theory)은 이 난제에 대한 색다른 접근을 제시한다. Marshall et al. (2021)이 Nature Communications에 발표한 연구는 분자 어셈블리 지수(MA, Molecular Assembly Index)가 높을수록 생물 기원일 가능성이 높다고 주장한다 [19]. 복잡한 분자를 무작위 비생물 과정이 만들어낼 확률은 MA가 높아질수록 천문학적으로 낮아진다는 논리다.

그런데 이 접근에도 반론이 있다. Abrahão et al. (2024)은 어셈블리 이론의 방법론이 기존의 통계적 압축 알고리즘과 본질적으로 유사하며, 기존 방법 대비 뚜렷한 개선을 입증하지 못했다고 비판한다 [20]. 어떤 프레임워크도 아직 결정적이지 않다는 방증이다.

무엇이 진짜 바이오시그니처인가를 두고 현장에서 합의가 이뤄지지 않은 상황에서, 퍼서비어런스의 체야바 폴스 발견은 이 긴장을 가장 극적으로 드러냈다 [17]. 비비아나이트와 그리자이트 광물의 '표범 무늬' 패턴은 지구에서라면 명백한 미생물 활동의 흔적이지만, 화성의 지질 환경에서는 비생물적 과정으로도 형성될 수 있다. CoLD 척도로 따지면 아직 초기 단계다. 결국 샘플을 지구로 가져와 실험실에서 정밀 분석하기 전까지는, 해석의 문은 열려 있다 [17, 18].

앞으로 5~10년 안에 이 분야는 가장 중요한 시험대에 오를 것이다. 화성 샘플 귀환 미션이 현실화되고, 엔셀라두스나 유로파 탐사선이 데이터를 전송하기 시작하면 — AI가 그 데이터를 어떻게 해석할지, 그리고 과학계가 그 해석을 어떻게 검증할지가 핵심 과제로 부상한다. 어쩌면 그 날이 오기 전에, 지구의 가장 오래된 암석에서 새롭게 발굴되는 증거들이 이 기술의 실전 능력을 먼저 입증해 줄지도 모른다 [2, 5].

그림 2. 인공지능 기반 생체 지표 식별 모델의 기술적 매커니즘 및 탐지 정확도. 머신러닝 모델은 무생물 지질 물질과 생물학적 샘플을 90% 이상의 정확도로 구분하며, 랜덤 포레스트 및 신경망 분석을 통해 최대 33억 년 전 암석에 잔존하는 유기물 분자 증거를 식별한다. 이러한 기술은 화성과 외계 얼음 위성 탐사에서 비파괴 방식의 현지 분석을 가능케 함으로써 지구 중심적 생화학 가정에서 벗어난 독립적 생명체 탐사 시스템 구축의 핵심적 근거를 제공한다.

References

[1] Westall, F., & Cavalazzi, B. (2011). Biosignatures in Rocks. In Encyclopedia of Geobiology (pp. 189–201). Springer. https://doi.org/10.1007/978-1-4020-9212-1_36

[2] Wong, M. L., Prabhu, A., Alexander, C. O'D., et al. (2025). Organic geochemical evidence for life in Archean rocks identified by pyrolysis–GC–MS and supervised machine learning. Proceedings of the National Academy of Sciences, 122(47), e2514534122. https://doi.org/10.1073/pnas.2514534122

[3] Carnegie Institution for Science. (2025, November 17). Chemical evidence of ancient life detected in 3.3-billion-year-old rocks. Carnegie Science News. https://carnegiescience.edu/chemical-evidence-ancient-life-detected-33-billion-year-old-rocks

[4] Papineau, D. (2019, April 9). Ancient 'biosignatures' of Earth's oldest life forms identified. The Geological Society Blog. https://blog.geolsoc.org.uk/2019/04/09/ancient-biosignatures-of-earths-oldest-life-forms-identified/

[5] LaPointe, E. (2025, November 18). AI Uncovers Evidence of Life in 3.3-Billion-Year-Old Rocks. Gizmodo. https://gizmodo.com/ai-uncovers-evidence-of-life-in-3-3-billion-year-old-rocks-2000687539

[6] Malewar, P. (2025, November 27). 3.3-billion-year-old rocks reveal oldest chemical traces of life. New Atlas. https://newatlas.com/biology/3-3-billion-year-old-rocks-traces-of-life/

[7] SETI Institute. (2015). Rock Sample Biosignature Library and Automated Identification of Biosignatures. NASA Astrobiology Institute 2015 Annual Science Report. https://astrobiology.nasa.gov/nai/annual-reports/2015/seti/rock-sample-biosignature-library-and-automated-identification-of-biosignatures/index.html

[8] Gronstal, A. (2023, September 28). Machine Learning in the Search for Agnostic Biosignatures. NASA Astrobiology. https://astrobiology.nasa.gov/news/machine-learning-in-the-search-for-agnostic-biosignatures/

[9] Clough, L. A., Da Poian, V., Major, J. D., Seyler, L. M., McKinney, B. A., & Theiling, B. P. (2025). Interpretable Machine Learning Biosignature Detection From Ocean Worlds Analogue CO₂ Isotopologue Data. Earth and Space Science, 12. https://doi.org/10.1029/2024EA003966

[10] Pennsylvania State University. (2012). Biosignatures in Ancient Rocks. NASA Astrobiology Institute 2012 Annual Science Report. https://astrobiology.nasa.gov/nai/annual-reports/2012/psu/biosignatures-in-ancient-rocks/index.html

[11] Service, R. F. (2025, November 17). AI spots 'ghost' signatures of ancient life on Earth. Science. https://www.science.org/content/article/ai-spots-ghost-signatures-ancient-life-earth

[12] Kminek, G., et al. (2022). In situ organic biosignature detection techniques for space exploration. Frontiers in Astronomy and Space Sciences, 9, 959670. https://doi.org/10.3389/fspas.2022.959670

[13] National Academies of Sciences, Engineering, and Medicine. (2019). Biosignature Identification and Interpretation. In An Astrobiology Strategy for the Search for Life in the Universe (Chapter 4). National Academies Press. https://www.ncbi.nlm.nih.gov/books/NBK540092/

[14] Stromberg, J. M., et al. (2019). Biosignature detection by Mars rover equivalent instruments in samples from the CanMars Mars Sample Return Analogue Deployment. Planetary and Space Science, 176, 104683. https://doi.org/10.1016/j.pss.2019.06.007

[15] NASA. (2024). AI Astrobiology Life Detection & Biosignatures — Literature Review. NASA Astrobiology. https://www.nasa.gov/a-i-astrobiology-life-detection-biosignatures/

[16] Billings, L. (2025, November 20). AI Uncovers Oldest-Ever Molecular Evidence of Photosynthesis. Scientific American. https://www.scientificamerican.com/article/ai-uncovers-oldest-ever-molecular-evidence-of-photosynthesis/

[17] Hurowitz, J. A., Tice, M. M., Allwood, A. C., et al. (2025). A potential biosignature detected by the Perseverance rover on Mars. Nature. NASA News Release: https://www.nasa.gov/news-release/nasa-says-mars-rover-discovered-potential-biosignature-last-year/

[18] Drake, H., Roberts, N. M. W., Reinhardt, M., Whitehouse, M., Ivarsson, M., Karlsson, A., Kooijman, E., & Kielman-Schmitt, M. (2021). Biosignatures of ancient microbial life are present across the igneous crust of the Fennoscandian shield. Communications Earth & Environment, 2, 102. https://doi.org/10.1038/s43247-021-00170-2

[19] Marshall, S. M., Mathis, C., Carrick, E., Keenan, G., Cooper, G. J. T., Graham, H., Craven, M., Gromski, P. S., Moore, D. G., Walker, S. I., & Cronin, L. (2021). Identifying molecules as biosignatures with assembly theory and mass spectrometry. Nature Communications, 12, 3033. https://doi.org/10.1038/s41467-021-23258-x

[20] Abrahão, F. S., Kiani, N. A., et al. (2024). On the salient limitations of the methods of assembly theory and their classification of molecular biosignatures. npj Systems Biology and Applications, 10, 82. https://doi.org/10.1038/s41540-024-00403-y

[21] Cleaves, H. J., Hystad, G., Prabhu, A., Wong, M. L., Cody, G. D., Economon, S., & Hazen, R. M. (2023). A robust, agnostic molecular biosignature based on machine learning. Proceedings of the National Academy of Sciences, 120(41), e2307149120. https://doi.org/10.1073/pnas.2307149120

[22] Old Dominion University. (2025, December 3). AI Detects Ancient Life Clues, With ODU Scientist Helping Anchor the Search. ODU News. https://www.odu.edu/article/ai-detects-ancient-life-clues-odu-scientist-helping-anchor-the-search

[23] Aiyer, K. (2026, January 22). How Microbial Fossils Illuminate Life's Origins. American Society for Microbiology. https://asm.org/articles/2026/january/how-microbial-fossils-illuminate-life-s-origins

[24] Dunham, W. (2025, November 18). New method spots signs of Earth's primordial life in ancient rocks. Reuters. https://www.reuters.com/science/new-method-spots-signs-earths-primordial-life-ancient-rocks-2025-11-18/

[25] Urquhart, J. (2025, December 1). Chemistry and AI pushes biosignature detection for life back billions of years. Chemistry World. https://www.chemistryworld.com/news/chemistry-and-ai-pushes-biosignature-detection-for-life-back-billions-of-years/4022596.article

[26] Duque-Castaño, D. S., Zuluaga, J. I., & Flor-Torres, L. (2025). Machine-assisted classification of potential biosignatures in Earth-like exoplanets using low signal-to-noise ratio transmission spectra. Monthly Notices of the Royal Astronomical Society, 539(2), 1528–1552. https://doi.org/10.1093/mnras/staf563

[27] Hystad, G., et al. (2025). Detecting Biosignatures in Complex Molecular Mixtures From Pyrolysis‐Gas Chromatography‐Mass Spectrometry Data Using Machine Learning. Journal of Geophysical Research: Machine Learning and Computation. https://doi.org/10.1029/2024JH000441

[28] Pasterski, M. J., Lorenz, M., Ievlev, A. V., Wickramasinghe, R., Hanley, L., & Kenig, F. P. H. (2022). Using Machine Learning to Aid in the Interpretation of MS Imaging Datasets: Multimodal Analysis of a Geologic Sample Containing Organic Molecular Biosignatures. AGU Fall Meeting Abstracts. https://ui.adsabs.harvard.edu/abs/2022AGUFM.P25A..73P/abstract

본 글은 공개된 연구를 바탕으로 정보 제공 목적으로 작성되었으며, 전문적인 판단을 대신하거나 의학적 진단이나 치료를 위한 근거로 사용될 수 없습니다.