Bayesian analysis of Gaia epoch astrometry and radial velocities with kima

기술 요약: kima를 이용한 가이아(Gaia) 에포크 아스트로메트리와 시선 속도의 베이지안 분석

문제 및 배경
2026년 12월 예정된 가이아 우주 망원경의 네 번째 데이터 릴리스(DR4)는 약 20억 개의 소스에 대한 개별 에포크 아스트로메트리(epoch astrometry) 정보를 제공할 것이다. 이 데이터셋은 수만 개의 새로운 외계 행성 발견과 쌍성 및 블랙홀의 3차원 궤도 제약을 약속한다. 그러나 이 방대한 데이터를 분석하기 위해서는 복잡한 궤도 피팅, 모델 비교, 그리고 아스트로메트리와 시선 속도(RV) 데이터를 동시에 처리할 수 있는 전용 도구가 필요하다. kepmodel, BINARYS, Octofitter와 같은 기존 도구들은 가이아 에포크 아스트로메트리를 피팅할 수 있지만, kima 코드베이스에 내재된 효율적인 차원 가변 샘플링(trans-dimensional sampling) 및 강력한 베이지안 모델 비교 기능은 결여되어 있다.

방법론
저자들은 (본래 RV 분석을 위해 개발된) 오픈 소스 궤도 피팅 코드인 kima를 확장하여 두 가지 새로운 모델을 구현하였다:

1. GAIAmodel: 가이아 에포크 아스트로메트리만을 분석하도록 설계되었다. 이는 along-scan 위치($w$)를 베이스라인 단일 별 모델(5개 파라미터: 위치 오프셋, 고유 운동, 시차), 선택적 가속 항(7 또는 9개 파라미터), 스캔 각도 의존 신호(스캔 각도 $\psi$의 하모닉스), 그리고 케플러 궤도 성분의 합으로 모델링한다.
2. RVGAIAmodel: GAIAmodel을 시선 속도 데이터와 결합한다. 이 모델은 RV 반진폭($K$)과 광심 반장반경($a$)을 물리적 관계로 연결하며, 독립적인 지터(jitter) 및 트렌드 파라미터를 허용하면서 두 데이터셋 간에 궤도 파라미터(주기, 이심률, 근점 인수 등)를 공유한다.

두 모델 모두 파라미터 공간을 탐색하기 위해 확산 중첩 샘플링(diffusive nested sampling) 알고리즘(DNEST4 패키지 활용)을 사용한다. 핵심적인 특징은 케플러 신호의 개수($N_p$)가 자유 파라미터로 취급된다는 점이며, 이를 통해 단일 실행 내에서 효율적인 베이지안 모델 비교(증거 계산)와 파라미터 추정을 가능하게 한다. 모델은 Thiele-Innes 및 기하학적 파라미터화를 모두 지원하며, RVGAIAmodel의 경우 경사각 퇴화(inclination degeneracies)를 처리하기 위해 기하학적 파라미터화를 선호한다.

주요 기여

• 소프트웨어 구현: 가이아 에포크 아스트로메트리를 단독으로 또는 RV와 결합하여 분석하기 위한 맞춤형 모델을 kima에 추가하였다.
• 스캔 각도 신호 식별: 스캔 각도 의존 신호(3, 5, 7차 하모닉스 사용)를 설명하기 위한 특정 모델을 포함하여, 실제 케플러 궤도와 미해상 쌍성으로 인한 아티팩트 사이의 구분을 가능하게 하였다.
• 호환성 한계(Compatibility Limits): kima가 검출되지 않은 신호의 사후 분포로부터 직접 "호환성 한계"(베이지안 방식의 검출 한계)를 생성할 수 있음을 입증하였으며, 이는 시뮬레이션 및 실제 데이터 모두에 적용 가능하다.

결과
저자들은 시뮬레이션 데이터(신호가 주입된 실제 가이아 잔차로부터 유도됨)와 실제 데이터인 가이아 BH3 시스템을 통해 모델을 테스트하였다:

• 검증: 모델은 주입된 행성 신호(고/저 신호 대 잡음비, 장/단기 주기)를 성공적으로 회복하였으며, 사후 분포는 실제 값과 일치하였다. 결과는 kepmodel을 사용했을 때와 일치하였다.
• 모델 비교: 알려진 스캔 각도 의존 신호가 포함된 테스트(Target 4)에서, 스캔 각도 하모닉스를 포함한 모델이 케플러 모델보다 압도적으로 우세하였다(Bayes Factor $\approx 640$). 반대로, 저(low)-S/N 케플러 신호의 경우(Target 6), 케플러 모델이 스캔 각도 모델보다 우세하였다. 그러나 고(high)-S/N 케플러 신호의 경우(Target 5), 스캔 각도 모델이 약간 더 우세하게 나타나, 이러한 신호들을 구분하는 것이 후속 관측 없이는 항상 결정적이지는 않음을 보여주었다.
• 파라미터화: Thiele-Innes와 기하학적 파라미터화 간의 비교는 일관된 사후 분포를 보여주었으나, 선택한 파라미터화가 "오캄 인자(Occam factor)"(사전-사후 부피 비율)로 인해 Bayes Factor에 영향을 미친다는 점을 언급하였다.
• 실제 데이터 적용: 모델은 가이아 BH3에 적용되었다. 저자들은 매우 높은 신호 대 잡음비($S/N \gtrsim 3000$)의 경우, 중첩 샘플러가 날카로운 우도 정점(likelihood peak)을 찾을 수 있도록 블라인드 탐색보다는 좁은 사전 분포를 사용하는 "Known-Object" 모드를 권장한다고 밝혔다.
• 호환성 한계: 연구는 주기 대 질량의 호환성 한계를 생성하였다. 결과는 데이터의 시간 범위 주변에서 최솟값을 갖는 등 예상된 형태를 보였으며, 부분적으로 궤도가 덮인 경우나 다중 신호가 단일 케플러 해를 모사할 수 있는 잠재적 퇴화 문제를 강조하였다.

의의
본 논문은 kima가 임의의 개수의 케플러 신호를 동시에 피팅하고 단일 실행 내에서 엄격한 모델 비교를 수행할 수 있는 독특한 능력을 갖춘, 가이아 에포크 아스트로메트리 분석을 위한 효율적인 오픈 소스 도구를 제공한다고 주장한다. 저자들은 이 도구가 가이아 데이터를 분석하기 위해 검증되었으며, 특정 사례에서 실제 궤도와 스캔 각도 아티팩트를 구분할 수 있고, 발생률(occurrence rates) 및 호환성 한계를 계산하는 데 적합하다고 단언한다. 이 연구는 특히 아스트로메트리와 시선 속도의 결합 분석이 필요한 연구를 위해 가이아 DR4 분석의 핵심 도구로서 kima의 위치를 공고히 한다.