$\texttt{SBi3PCF:}$ Simulation-based inference with the integrated 3PCF

우주를 빅뱅부터 오늘날까지 이어지는 거대하고 보이지 않는 물질의 바다라고 상상해 보십시오. 이 바다의 대부분은 우리가 직접 볼 수는 없지만 중력을 통해 존재를 알 수 있는 신비로운 물질인 '암흑 물질'로 이루어져 있습니다. 먼 은하에서 오는 빛이 이 우주의 바다를 통과할 때, 암흑 물질의 중력은 마치 '펀ハウス 거울(funhouse mirror)'처럼 작용하여 은하의 형태를 미세하게 늘리고 뒤틉니다. 이 현상을 '약한 중력 렌즈 효과(weak gravitational lensing)'라고 부릅니다. 천문학자들은 이 수십억 개 은하들의 형태가 일으키는 미세한 왜곡을 측정함으로써, 보이지 않는 암흑 물질의 지도를 그리고 우주가 어떻게 성장하고 팽창하는지에 대한 규칙을 파악할 수 있습니다.

오랫동안 과학자들은 이 우주의 거울을 단순한 도구, 즉 은하 쌍(galaxy pairs)의 형태가 얼마나 상관관계를 갖는지 측정하는 방식으로 관찰해 왔습니다. 이는 마치 연못의 잔물결을 보고 바람의 속도를 추측하는 것과 같습니다. 하지만 우주는 무질서하고 복잡하며, 이러한 단순한 측정 방식은 이야기의 일부만을 알려줄 뿐입니다. 그것들은 '고차원(higher-order)'의 비밀, 즉 세 개 이상의 은하가 특정한 방식으로 상호작용할 때 발생하는 복잡하고 비선형적인 패턴들을 놓치게 됩니다. 이 비밀을 풀기 위해서는 단순히 쌍을 보는 것이 아니라, 세 개의 은하가 형성하는 삼각형과 같은 더 복잡한 형태를 살펴봐야 합니다. 그러나 이러한 복잡한 패턴은 우주의 행동이 너무나 격렬하고 예측 불가능해져서 단순한 공식으로는 다루기 어렵기 때문에, 표준 수학으로는 예측하기가 매우 까다롭습니다.

여기서 이 논문이 등장합니다. 데이비드 게바어(David Gebauer)와 아니크 할더(Anik Halder)가 이끄는 저자들은 이 암호를 풀기 위한 새로운 디지털 도구 상자인 SBi3PCF를 구축했습니다. 이들은 우주를 단순한 수학적 틀에 억지로 끼워 맞추는 대신, 대규모의 현실적인 컴퓨터 시뮬레이션을 실행함으로써 우주가 스스로 법칙을 가르치도록 결정했습니다. 이것은 완벽한 케이크를 굽는 법을 배우는 것과 비슷합니다. 단순히 레시피를 읽는 것(기존의 수학 방식) 대신, 그들은 가상의 주방에서 수천 개의 케이크를 구웠고, 매번 재료를 조금씩 바꾸어 가며 그 재료들이 최종적인 맛에 어떤 영향을 미치는지 인공지능(AI)을 통해 정확히 학습했습니다.

연구팀은 강력한 시뮬레이션 세트인 CosmoGridV1을 사용하여 코스믹 시어 필드(cosmic shear field, 왜곡된 은하 형태의 패턴)를 시뮬레이션했습니다. 그들은 단순히 암흑 물질만을 시뮬레이션한 것이 아니라, 은하 거리를 측정할 때 발생하는 오차, 일반 물질(바리온)이 뭉치는 영향, 은하 형태의 무작위 노이즈 등 실제 관측을 까다롭게 만드는 모든 현실적인 '계통적 효과(systematic effects)'를 포함했습니다. 그런 다음, 시뮬레이션의 매개변수와 결과 데이터 사이의 관계를 학습하기 위해 신경망(AI의 일종)을 이용한 시뮬레이션 기반 추론(Simulation-Based Inference, SBI) 기법을 사용했습니다.

연구팀은 **적분 3점 상관 함수(integrated 3-point correlation function, i3PCF)**라는 특정하고 복잡한 통계량에 집중했습니다. 2점 측정 방식이 두 은하 사이의 관계를 확인하는 것이라면, 3점 측정은 은하 세 쌍이 서로 어떻게 관계를 맺는지 확인하는 것입니다. i3PCF는 우주의 보이지 않는 전체 지도를 먼저 재구성할 필요 없이, 이 세 은하 간의 관계를 측정할 수 있는 영리한 방법입니다.

그들의 연구 결과는 다음과 같습니다:

• 가우스 분포의 신화: 오랫동안 과학자들은 데이터의 통계적 '노이즈'가 매끄러운 종 모양의 곡선(가우스 분포)을 따른다고 가정해 왔습니다. 저자들은 이를 테스트했고, 단순한 '2점' 데이터는 이 종 모양 곡선에 잘 들어맞지만, 복잡한 '3점'(i3PCF) 측정이 포함된 결합 데이터는 그렇지 않다는 것을 발견했습니다. 특히 큰 규모(scale)에서는 분포가 왜곡되고 기묘해집니다. 이는 종 모양 곡선에 의존하는 기존의 수학적 방법들이 이 새로운 데이터에 대해 부정확한 결과를 낼 것임을 의미합니다. 그러나 이들의 AI 접근 방식은 곡선의 모양에 상관하지 않고, 시뮬레이션으로부터 실제의 무질서한 분포를 직접 학습합니다.
• 무시할 수 있는 방해 요소들: 연구팀은 두 가지 특정 효과, 즉 소스 은하 클러스터링(배경 은하들이 완벽하게 무작위적이지 않은 현상)과 감소된 시어(reduced shear)(왜곡을 측정할 때 발생하는 미세한 보정값)가 측정값을 망칠지 확인했습니다. 그들은 현재의 조사 규모(Dark Energy Survey Year 3와 같은)에서 이러한 효과들이 매우 미미하여 안전하게 무시해도 된다는 것을 발견했습니다. 암흑 물질의 신호가 이러한 작은 오류들보다 훨씬 강력하기 때문입니다.
• 정밀도의 비약적 향상: 연구팀이 모의 데이터(실제 관측과 유사하게 만들어진 시뮬레이션 데이터)에 새로운 AI 파이프라인을 적용했을 때, i3PCF를 표준 측정값에 추가하자 엄청난 변화가 나타났습니다. 이는 우주론적 제약 조건의 정밀도를 중앙값 기준으로 63.8% 개선했습니다. 구체적으로, 이는 물질 밀도($\Omega_m$), 물질의 뭉침 정도($\sigma_8$), 그리고 암흑 에너지 방정식 상태($w_0$)의 값을 이전보다 훨씬 더 정확하게 고정하는 데 도움을 주었습니다. 가장 극적인 개선은 $\sigma_8$에서 나타났는데, 불확실성이 약 31.0% 감소했습니다.

결론적으로, 이 논문은 새로운 프레임워크인 SBi3PCF가 이러한 복잡한 우주 패턴을 분석하는 견고하고 정확한 방법임을 입증합니다. 이는 완벽한 수학적 공식의 필요성을 우회하여 시뮬레이션과 AI를 활용함으로써, 과학자들이 약한 중력 렌즈 신호로부터 훨씬 더 많은 정보를 추출할 수 있음을 보여줍니다. 이는 유클리드(Euclid) 미션이나 베라 루빈 천문대(Vera C. Rubin Observatory)와 같은 미래의 더 거대한 탐사들이 우주를 관측하는 실제의 무질서한 현실을 고려하면서도, 고차 통계량을 사용하여 우주의 가장 큰 미스터리들을 해결할 수 있는 길을 열어줍니다.