Bayesian polarization calibration and imaging in very long baseline interferometry

우주가 전파로 이루어진 거대하고 보이지 않는 바다이며, 끊임없이 우리 행성을 덮치고 있다고 상상해 보십시오. 이 바다 속에 무엇이 숨겨져 있는지 보기 위해 천문학자들은 일반적인 카메라를 사용하는 대신, 전 세계에 흩어져 있는 라디오 안테나(radio dishes)들로 만든 거대한 부유하는 그물을 만듭니다. 이 기술을 초장기선 간섭계(Very Long Baseline Interferometry, VLBI)라고 부릅니다. 이 안테나들을 서로 연결함으로써, 그들은 지구 크기만한 가상의 망원경을 만들어 수천 마일 떨어진 곳에서 동전 하나를 보는 것만큼이나 아주 미세한 디테일까지 볼 수 있게 합니다. 하지만 이 그물을 통해 우주를 관측하는 것은 까다로운 일입니다. 우리 망원경의 '렌즈'인 안테나 자체가 불완전하기 때문입니다. 안테나에는 신호가 새어 나가는 미세한 틈이 있어, 한 종류의 편광(전파의 진동 방향이라고 생각하면 됩니다) 신호가 다른 쪽으로 흘러 들어갑니다. 이는 마치 오케스트라에서 특정 악기의 소리를 들으려고 하는데, 귀가 약간 막혀 있어서 드럼 소리가 바이올린 섹션으로 새어 들어오는 것과 같습니다. 이 누설을 해결하지 못하면, 우리가 구축한 우주 물체의 이미지는 흐릿하고 왜곡됩니다. 이는 블랙홀 주변의 자기장을 연구할 때 특히 어려운데, 우리가 찾고자 하는 신호가 매우 희미하여 메인 전파 밝기보다 천 배나 더 약하기 때문입니다.

이 논문은 이러한 누설을 수정하고 더 선명한 그림을 그리기 위한 더 똑똑한 새로운 방법을 소개합니다. 기존의 방식이 마치 거대한 퍼즐 조각들이 어디에 맞는지 추측하며 운 좋게 맞아떨어지기를 바라는 방식이라면, 저자들은 '베이지안(Bayesian)' 접근 방식을 사용합니다. 이것은 단순히 추측하는 것이 아니라, 가능한 모든 시나리오를 고려하고 각 시나리오의 확률을 따져본 뒤, 가장 가능성 높은 그림을 찾아내는 동시에 모든 조각에 대해 얼마나 확신하는지를 알려주는 초스마트 탐정과 같습니다. 저자들은 이 새로운 탐정 방법을 3C273이라는 퀘이사(quasar)와 OJ287이라는 블레이저(blazar)라는 두 유명한 우주 물체의 실제 데이터에 테스트했습니다. 그 결과, 그들의 방법이 기존 방식보다 더 작은 디테일을 포착할 수 있음을 발견했으며, 이전에는 숨겨져 있었던 이 물체들의 복잡한 자기 구조를 밝혀냈습니다. 결정적으로, 이 새로운 방법은 단순히 그림을 주는 데 그치지 않고, 모든 픽셀에 대한 '신뢰 점수'를 제공하여 이미지의 각 부분을 얼마나 믿을 수 있는지 알려줍니다.

옛날 방식 vs. 새로운 탐정

오랫동안 천문학자들은 라디오 데이터를 이미지로 변환하기 위해 'CLEAN'이라 불리는 방법을 사용해 왔습니다. 몇 장의 흐릿한 사진을 바탕으로 구름의 그림을 그린다고 상상해 보십시오. CLEAN 방식은 흐릿한 사진에서 가장 밝은 지점들을 찾아 그곳에 완벽한 점을 그리고, 그 점을 사진에서 빼내는 방식으로 작동합니다. 이 과정을 계속 반복합니다. 이는 마치 양파 껍질을 겹겹이 벗겨내는 것과 비슷합니다. 문제는 이 방법이 많은 인간의 추측에 의존한다는 점입니다. 컴퓨터에게 어디를 살펴봐야 할지, 점을 어떻게 뺄지를 직접 알려줘야 합니다. 만약 실수하거나, 혹은 구름이 단순한 점들이 아니라 복잡하게 소용돌이치는 모양이라면, 최종 이미지는 이상한 아티팩트(왜곡)가 생기거나 세부 사항이 누락될 수 있습니다. 게다가, 기존 방식은 망원경의 '누설'(편광 오류)을 정적이고 단순한 것으로 취급하는데, 현대의 망원경에서 얻는 복잡하고 고속인 데이터에는 그렇지 않습니다.

이 논문의 저자들은 이 오래된 방식이 최적이 아니라고 주장합니다. 이 방식은 숙련된 사용자의 너무 많은 수동 제어를 필요로 하며, 결과가 얼마나 불확실한지에 대한 정보를 주지 않는다는 것입니다. 이는 마치 기상 예보가 "비가 올 것이다"라고 말하면서, 그것이 10%의 확률인지 90%의 확률인지 알려주지 않는 것과 같습니다.

베이지안 솔루션: 확률론적 탐정

논문에서 제시된 새로운 방법은 '베이지안 추론(Bayesian inference)'이라는 것을 사용합니다. 양파 껍질을 벗기는 비유 대신 다른 비유를 들어보겠습니다. 어두운 방의 구조를 파악하기 위해 벽에 공을 던지고 그 메아리를 듣는다고 상상해 보십시오. 기존 방식은 공을 몇 번 던지고 벽의 위치를 추측하여 지도를 그립니다. 그러나 새로운 방식은 당신이 들은 메아리를 만들어낼 수 있는 모든 가능한 방의 구조를 고려합니다. 이 방식은 방 안의 모든 지점에 대해 '확률 지도'를 계산합니다.

논문의 언어로 표현하자면, 그들은 '사후 분포(posterior distribution)'를 탐구하고 있습니다. 이는 멋진 표현으로, 단 하나의 '최선의' 답만을 고르는 것이 아니라, 가능한 모든 답변의 범위(이미지, 망원경의 누설, 신호 이득 등)를 한꺼번에 살펴보는 것을 의미합니다. 그들은 이를 위해 resolve라는 소프트웨어 도구를 사용합니다. 이 도구는 '변분 추론(variational inference)'이라는 기술을 사용하는데, 이는 컴퓨터가 모든 가능성을 하나씩 다 확인하지 않고도 이 확률 지도의 가장 가능성 높은 형태를 빠르게 찾을 수 있게 해주는 수학적 지름길입니다.

발견한 것: 더 선명한 이미지와 정직한 불확실성

연구팀은 이 새로운 탐정을 두 개의 실제 우주 타겟에 테스트했습니다.

첫째, 15 GHz에서 관측된 퀘이사(매우 밝은 활동 은하)인 3C273을 살펴보았습니다. 그들은 새로운 이미지를 기존의 CLEAN 이미지와 비교했습니다. 새로운 방식은 더 선명한 이미지를 생성했으며 더 많은 디테일을 보여주었습니다. 예를 들어, 퀘이사에서 뿜어져 나오는 물질의 '제트(jet)'는 새로운 이미지에서 더 가늘고 뚜렷하게 보였습니다. 기존 방식은 하늘이 단순한 점들로 이루어져 있다고 가정했기 때문에 이러한 미세한 디테일을 흐리게 만드는 경향이 있었습니다. 반면, 새로운 방식은 하늘이 연속적이고 복잡한 풍경임을 이해했습니다. 또한, 관측에 사용된 8개의 서로 다른 주파수 대역 각각에 대한 '누설(D-term)'을 성공적으로 계산해 냈으며, 누설이 각 대역마다 다르다는 점을 보여주었습니다. 이는 기존 방식이 자주 놓치는 디테일입니다.

둘째, 86 GHz에서 관측된 블레이저(제트가 우리를 향하고 있는 은하)인 OJ287을 살펴보았습니다. 이곳은 신호가 더 약하고 대기가 더 많은 간섭을 일으키기 때문에 훨씬 더 어렵습니다. 여기서 그들은 자신들의 결과를 기존 방식뿐만 아니라 ehtim이라는 또 다른 현대적 방법과 비교했습니다. 그들은 새로운 방식이 기존 방식으로는 볼 수 없었던 굽어 있는 제트와 같은 복잡한 구조를 재구성할 수 있다는 것을 발견했습니다. 또한 새로운 방식은 '표준 편차' 지도를 제공했는데, 이는 본질적으로 불확실성의 지도입니다. 이 지도는 데이터가 좋지 않아 이미지가 흐릿한 곳과 선명한 곳을 정확히 보여주었습니다. 이는 과학에서 '무엇을 모르는지 아는 것'이 '무엇을 아는지 아는 것'만큼이나 중요하기 때문에 매우 큰 장점입니다.

게임의 규칙

저자들은 새로운 방법에서 물리 법칙을 준 만큼 주의를 기울였습니다. 그들은 '편광 제약 조건(polarization constraint)'을 적용했는데, 이는 편광된 빛의 총량이 전체 빛의 양보다 강할 수 없다는 규칙입니다. 기존 방식에서는 가끔 수학적 오류로 인해 현실에서는 불가능한, 즉 편광된 빛이 전체 빛보다 강한 '비물리적' 이미지가 생성되기도 했습니다. 새로운 방식은 이 규칙을 수학에 직접 포함시킴으로써 이미지가 물리적으로 실현 가능한 형태가 되도록 보장합니다.

또한, 그들은 이 방법이 서로 다른 크기와 감도를 가진 망원경들로부터 온 '이질적인(heterogeneous)' 데이터를 처리할 수 있다는 것을 발견했습니다. 기존 방식은 종종 이런 데이터에 어려움을 겪어 많은 나쁜 데이터를 버려야(flagging) 했습니다. 그러나 새로운 방식은 나쁜 데이터를 적절히 가중치 조절하여 처리함으로써, 데이터셋의 일부를 수동으로 삭제할 필요 없이 더 많은 정보를 유지하고 더 나은 그림을 만들어 낼 수 있었습니다.

결론

이 논문은 모든 천문학적 문제를 해결했다고 주장하는 것이 아닙니다. 다만, 테스트한 특정 데이터셋(3C273 및 OJ287)에 대해 베이지안 방식이 더 높은 품질의 이미지를 생성하고 더 많은 디테일을 보여주며, 정직한 불확실성 측정을 제공한다는 것을 보여줍니다. 이는 수동적인 추측 위주의 방식에서 완전히 자동화된 확률론적 방식으로 전환함으로써, 우주의 가장 극단적인 환경에 있는 자기장과 구조를 더 명확하게 볼 수 있음을 시사합니다. 저자들은 이 파이프라인이 미래의 더욱 강력한 라디오 배열들과 함께 사용될 준비가 되어 있으며, 우리가 단순히 우주를 보는 것을 넘어 우리가 보는 것에 대해 얼마나 확신하는지를 이해하게 되는 고해상도 편광 이미징의 새로운 시대를 약속한다고 결론짓습니다.