Data-driven modeling of rotation curves with artificial neural networks

우주를 별, 가스, 먼지가 중심점을 기준으로 회전하는 거대하고 소용돌이치는 댄스 플로어라고 상상해 보십시오. 수십 년 동안 천문학자들은 이 춤을 유지하는 "음악"이 무엇인지 알아내기 위해 노력해 왔습니다. 그들은 은하의 중심으로부터 서로 다른 거리에서 별들이 얼마나 빨리 움직이는지를 측정하여 "회전 곡선"이라 불리는 그래프를 만듭니다. 여기서 미스터리가 발생합니다. 별들의 밝기를 바탕으로 은하에 보이는 질량(물질)을 계산하면, 별들이 왜 그렇게 빠르게 움직이는지를 설명하기에는 턱없이 부족합니다. 이는 마치 자동차가 고속도로를 질주하는 것을 보고 있는데, 보닛 아래에 엔진이 없는 것을 발견한 것과 같습니다. 이를 해결하기 위해 과학자들은 보이지 않는 "암흑 물질"이 은하를 결합하는 데 필요한 추가적인 중력을 제공하는 숨겨진 엔진 역할을 한다고 제안했습니다.

전통적으로 이 보이지 않는 엔진을 지도화하기 위해, 과학자들은 수학적 공식—마치 특정 모양의 쿠키 커터를 반죽 위에 맞추려는 것과 같은 방식—을 사용합니다. 그들은 반죽(은하)이 특정한 모양을 가지고 있다고 가정하고, 쿠키 커터(수학 모델)가 그것에 완벽하게 들어맞아야 한다고 생각합니다. 하지만 은하는 무질서하고, 울퉁불퉁하며, 저마다 독특합니다. 때로는 반죽이 쿠키 커터에 전혀 맞지 않기도 합니다. 바로 이 지점에서 새로운 디지털 접근 방식이 등장합니다. 미리 만들어진 모양을 데이터에 강제로 맞추는 대신, 만약 컴퓨터가 관측값으로부터 직접 반죽의 모양을 "학습"하게 한다면 어떨까요? 이것이 멕시코와 스위스의 연구진이 답하고자 했던 질문입니다.

디지털 탐정과 우주의 춤

이 연구에서 연구진은 디지털 탐정 역할을 수행했습니다. 하지만 범죄를 해결하는 대신, 그들은 17개의 서로 다른 나선 은하의 숨겨진 구조를 이해하려고 노력했습니다. 그들은 "인공 신경망(ANN)"이라 불리는 강력한 유형의 인공지능을 사용했습니다. ANN을 매우 똑똑한 디지털 조수로 생각할 수 있습니다. 규칙책(수학 공식)에서 시작하여 데이터를 그에 맞추려는 전통적인 과학자와 달리, ANN은 오직 가공되지 않은 데이터 포인트—즉, 중심으로부터의 거리와 그에 따른 별의 속도에 대한 실제 측정값—만을 가지고 시작합니다.

연구진은 AI에게 17개의 특정 은하에 대한 정밀한 관측치를 담고 있는 "THINGS" 조사(survey)의 고품질 데이터셋을 학습시켰습니다. 그들은 AI에게 은하 중심으로부터의 거리를 보고 별의 속도를 예측하는 법, 그리고 그 예측에 대해 스스로 얼마나 확신하는지를 함께 학습시켰습니다. AI가 데이터를 단순히 앵무새처럼 암기하는 문제(이를 "과적합"이라고 합니다)를 방지하기 위해, 그들은 "몬테카를로 드롭아웃(Monte Carlo Dropout)"이라는 영리한 기술을 사용했습니다. AI가 시험을 여러 번 치르는데, 매번 시험을 볼 때마다 무작위로 몇 가지 사실을 잊어버린다고 상상해 보십시오. AI는 자신이 무언가를 잊었을 때 자신의 답변이 얼마나 변하는지를 관찰함으로써, "나는 이 답에 대해 꽤 확신하지만, 저 부분에 대해서는 약간 불안하다"라고 말할 수 있게 됩니다. 이는 모델에 내장된 "불확실성 측정기"를 제공합니다.

위대한 대결: 옛 규칙 vs 새로운 학습

그들의 새로운 AI 방식이 얼마나 효과적인지 확인하기 위해, 연구진은 전통적인 방식과 대결을 시켰습니다. 전통적인 방식은 "나바로-프렌크-화이트(NFW)" 모델이라 불리는 보이지 않는 암흑 물질의 특정 수학적 형태를 사용합니다. 그들은 두 가지 방식으로 이 오래된 모델을 테스트했습니다. 첫째, 별의 질량이 고정되어 있고 알려져 있다고 가정했을 때(엄격한 레시피처럼), 둘째, 수학적 계산이 더 잘 맞도록 별의 질량을 변화 가능한 "자유 변수"로 두었을 때입니다.

결과는 흥미로운 성공과 놀라움의 혼합이었습니다. 연구진은 17개의 은하를 어떤 방식이 실제 관측값과 가장 잘 일치하는지에 따라 세 가지 범주로 분류했습니다.

1. "옛 규칙이 가장 잘 통하는" 그룹 (그룹 A): 네 개의 은하(DDO154, NGC2903, NGC3621, NGC2403)의 경우, 전통적인 수학 모델이 AI보다 데이터를 더 잘 설명했습니다. 이 경우 은하들은 표준적인 "레시피"를 꽤 잘 따르는 것처럼 보였으며, 데이터로부터 직접 배우려는 AI의 시도는 다소 흔들리는 모습을 보였습니다.
2. "중간 지점" 그룹 (그룹 B): 다른 네 개의 은하(NGC3031, NGC2841, NGC3198, NGC5055)의 경우, AI는 "고정된 레시피" 모델보다는 성능이 좋았지만, "자유 변수" 모델만큼은 좋지 못했습니다. 이 은하들은 단순한 형태와 복잡한 혼돈 사이의 어딘가에 위치한 까다로운 상태였던 것으로 보입니다.
3. "AI가 승리한" 그룹 (그룹 C): 이 그룹은 NGC3521, NGC2366, IC2574를 포함한 아홉 개의 은하로 구성되었으며, 가장 흥격적인 그룹이었습니다. 이 은하들의 경우, 데이터 기반 모델인 AI가 그 어떤 전통적인 수학 모델보다 훨씬 더 정밀하게 관측값과 일치하며 명백한 승리를 거두었습니다.

왜 일부 사례에서 AI가 승리했는가

논문은 그룹 C의 은하들이 기존의 수학 공식의 매끄럽고 부드러운 곡선에는 맞지 않는, 무질서하고 복잡한 구조를 가지고 있기 때문에 AI가 성공했다고 설명합니다. 예를 들어, 일부 은하는 별이나 가스의 분포가 울퉁불퉁하거나, 기존 모델이 설명할 수 없는 암흑 물질의 "덩어리(clumps)"를 가지고 있을 수 있습니다. 전통적인 모델은 데이터를 매끄러운 곡선에 맞추려고 강제하는 경우가 많았고, 이는 특히 별들이 밀집된 은하 내부에서 큰 오차를 유발했습니다. 그러나 AI는 매끄러움에 신경 쓰지 않았습니다. 그저 데이터의 실제적이고 들쭉날쭉한 현실 세계의 패턴을 학습했을 뿐입니다.

이 연구는 오래된 수학 모델이 여전히 유용하지만 한계가 있음을 강조합니다. 은하가 너무 복잡하거나 특이한 특징을 가지고 있다면, "쿠키 커터" 방식은 실패합니다. 반면, AI 방식은 규칙을 미리 추측할 필요 없이 이러한 불규러성을 포착할 수 있을 만큼 유연합니다.

미래에 갖는 의미

연구진은 기존 모델이 틀렸다고 주장하거나 AI가 암흑 물질의 미스터리를 풀었다고 주장하는 것이 아닙니다. 대신, 우리는 두 가지 도구가 모두 필요하다고 제안합니다. AI는 기존 모델이 어디에서 무너지는지를 보여줄 수 있는 강력한 새로운 렌즈 역할을 합니다. AI는 특정 은하들의 경우, 가시적인 별과 보이지 않는 암흑 물질 사이의 전이가 매끄럽고 예측 가능한 경사가 아니라, 복잡하고 울퉁불퉁한 여정임을 드러냅니다.

데이터 기반 모델을 사용함으로써, 과학자들은 이제 예상과 다르게 행동하는 은하들을 식별할 수 있습니다. 이것은 암흑 물질이 정확히 무엇인지를 알려주지는 않지만, 우리의 현재 이론이 어디에서 빗나갔는지를 정확히 알려줍니다. 이는 우리가 이미 알고 있는 길뿐만 아니라, 새로운 다리를 건설해야 할 거칠고 포장되지 않은 길까지 표시해 주는 지도와 같습니다. 이 연구는 머신러닝이 천문학자들에게 유망한 파트너이며, 우리 자신의 선입견에 눈이 멀지 않고 우주의 복잡성을 바라볼 수 있는 방법을 제공한다고 결론짓습니다.