Strong Gravitational Lensing Posterior Sampling in Pixel-Space Using Diffusion Models and Recurrent Inference Machines

우주를 거대한 우주적 놀이공원(funhouse)이라고 상상해 보세요. 때때로 전경에 있는 거대한 은하의 중력은 뒤에 숨겨진 먼 은하의 빛을 휘게 만드는 왜곡된 거울처럼 작용합니다. 이 현상을 **강한 중력 렌즈 효과(strong gravitational lensing)**라고 부릅니다. 그 먼 은하의 단일하고 선명한 이미지를 보는 대신, 우리는 그것이 고리나 호(arc)의 형태를 이루며 여러 개로 쪼개지고 왜곡되거나 길게 늘어진 이미지를 보게 됩니다.

우리는 왜 이것에 관심을 가질까요? 왜냐하면 이 우주적 놀이공원의 거울들은 강력한 도구이기 때문입니다. 천문학자들은 빛이 어떻게 휘어지는지를 연구함으로써 전경 은하를 구성하는 보이지 않는 "암흑 물질(dark matter)"의 무게를 잴 수 있습니다. 또한 우주가 얼마나 빨리 팽창하고 있는지 측정할 수 있으며, 너무 멀어서 그렇지 않으면 보이지 않았을 아주 먼 은하들을 엿볼 수도 있습니다. 하지만 여기에는 함정이 있습니다. 이 왜곡된 이미지를 원래의 모양으로 역설계하기 위해 필요한 수학적 계산이 믿기 힘들 정도로 어렵다는 점입니다. 이는 마치 구겨진 종이의 정확한 모양을 그 그림자만 보고 알아내야 하는 것과 같은데, 심지어 그 그림자는 흐릿하고 노이즈(static noise)까지 섞여 있는 상태입니다. 오랫동안 과학자들은 은하가 어떤 모습일지 추측하기 위해 단순하고 경직된 형태를 사용해야 했으며, 이는 종종 틀린 답으로 이어졌습니다.

이 논문은 **확산 재귀 추론 기계(Diffusion Recurrent Inference Machines, DiRIM)**라는 유형의 인공지능을 사용하여 이 퍼즐을 해결하는 새롭고 영리한 방법을 소개합니다. 저자인 기욤 파외르(Guillaume Payeur)와 그의 팀은 단 하나의 정답만을 추측하는 것이 아니라, 은하가 어떤 모습일 수 있는지에 대한 전체 범위를 보여주는 일련의 가능한 솔루션들을 생성하는 시스템을 만들었습니다. 그들은 이 방법을 실제적인 우주 시뮬레이션에 테스트했으며, 이 방식이 매우 정밀하게, 즉 데이터의 "노이즈"나 정적 수준까지도 도달하여 우주의 이미지를 재구성할 수 있다는 것을 발견했습니다.

우주 탐정 게임

강한 중력 렌즈를 하나의 우주 탐정 게임이라고 생각해 보세요. 당신에게는 범죄 현장(망원경을 통해 보는 왜곡된 이미지)이 있고, 두 가지를 밝혀내야 합니다. 바로 범인이 어떻게 생겼는지(배경 은하)와 무기가 무엇이었는지(전경 은하의 중력)입니다. 문제는 "무기"가 보이지 않는 암흑 물질로 만들어졌다는 점이며, "범죄 현장"은 엉망으로 뒤섞인 사진이라는 점입니다.

과거에 탐정들(천문학자들)은 범인과 무기가 완벽한 원이나 매끄러운 타원 같은 단순한 형태라고 가정해야 했습니다. 하지만 실제 은하는 지저k하고 복잡하며 울퉁불퉁합니다. 복잡한 현실을 단순한 형태로 강요할 때, 세부 사항을 놓치게 됩니다. 이는 마치 폭풍우 치는 바다를 그린 세밀한 그림을 단 몇 가지 기본 색상만 사용하여 설명하려는 것과 같습니다. 파도의 질감과 구름의 깊이를 모두 잃게 되는 것입니다.

이 논문의 저자들은 문제를 제대로 해결하려면 이 무질서함을 다룰 수 있는 방법이 필요하다는 것을 깨달았습니다. 그들은 두 가지 강력한 AI 기술인 **확산 모델(Diffusion Models)**과 **재귀 추론 기계(Recurrent Inference Machines, RIMs)**를 결합했습니다.

"디노이징(Denoising)"과 "반복적 사고"의 마법

이 새로운 도구가 어떻게 작동하는지 이해하기 위해, 당신이 숨겨진 그림이 어떻게 생겼는지 추측하려고 노력 중이지만, 가진 것이라고는 두꺼운 소용돌이 안개에 덮인 버전뿐이라고 상상해 보세요.

**확산 모델(Diffusion Models)**은 수백만 개의 은하를 본 숙련된 예술가와 같습니다. 그들은 은하가 보통 어떻게 생겼는지 알고 있습니다. AI는 완전히 무작위적이고 안개가 자욱한 픽셀 덩어리에서 시작합니다. 그런 다음, 은하가 보통 어떻게 생겼는지에 대한 지식을 사용하여 안개 층을 한 겹씩 벗겨내며 이미지를 서서히 "디노이징(denoising, 노이즈 제거)"합니다. 이는 조각가가 돌을 깎아내는 것이 아니라 AI가 노이즈를 깎아내며 조각상이 드러나는 것을 지켜보는 것과 같습니다.

하지만 퍼즐에는 두 번째 부분이 있습니다. "무기"(전경의 중력)가 빛이 휘어지는 방식을 변화시킨다는 점입니다. 여기서 **재귀 추론 기계(RIMs)**가 등장합니다. RIM을 한 번의 추측만 하고 멈추는 탐정이 아니라, 루프(loop) 속에서 생각하는 탐정이라고 생각해 보세요. 그것은 추측을 하고, 그 추측이 뒤섞인 이미지를 얼마나 잘 설명하는지 확인하며, 오류를 찾아내고, 다시 추측을 정교하게 다듬습니다. 이 과정을 반복하면서 단계마다 점점 더 똑똑해집니다.

저자들은 이 두 가지 아이디어를 DiRIM으로 결합했습니다. 확산 모델은 은하가 어떻게 생겨야 하는지에 대한 "예술적 직관"을 제공하고, RIM은 그 추측이 특정 스크램블된 이미지에 완벽하게 들어맞도록 하는 "탐정의 논리"를 제공합니다. AI는 안개를 벗겨내는 동시에 자신의 계산이 실제 데이터와 일치하는지 끊임없이 확인하며 추측을 반복적으로 정교화합니다.

결과: 보이지 않는 것을 보다

팀은 수천 개의 은하 충돌 시뮬레이션을 사용하여 DiRIM 시스템을 학습시켰습니다. 그들은 AI에게 "정답"(원래의 은하와 중력 지도)과 "스크램블된 결과"(렌즈 효과가 적용된 이미지)를 알고 있는 수백만 개의 사례를 입력했습니다.

새로운 미지의 시뮬레이션에 이 시스템을 테스트했을 때, 결과는 인상적이었습니다. AI는 단순히 흐릿한 추측 하나를 내놓는 것이 아니라, 은하의 실제 복잡성을 포착하는 일련의 가능한 이미지들을 생성했습니다.

• 무질서를 처리함: 전경 은하가 복잡하고 울퉁불퉁한 구조(예: 여러 개의 암흑 물질 덩어리)를 가지고 있을 때도, DiRIM은 배경 은하를 정확하게 재구성할 수 있었습니다.
• 노이즈 한계에 도달함: 저자들은 자신들의 재구성이 매우 뛰어나서, 추측과 실제 데이터 사이의 남은 차이가 단지 무작위 정적(노이즈)일 뿐이라는 것을 보여주었습니다. 과학적 용어로, 그들은 관측치를 "노이즈 수준까지(down to the noise level)" 모델링했습니다.
• 숨겨진 세부 사항을 찾아냄: 한 테스트에서, 시스템은 데이터 속에 숨어 있던 아주 작은 "서브할로(subhalo, 작은 암흑 물질 덩어리)"를 성공적으로 감지했는데, 이는 기존의 방법으로는 매우 어려운 작업입니다.

또한 논문은 이들의 방법을 기존의 "단순한 형태" 접근 방식과 비교했습니다. 과학자들이 복잡하고 실제처럼 보이는 은하를 기존의 경직된 형태에 맞추려고 시도했을 때, 결과는 편향되고 부정확했습니다. 픽셀 단위의 유연한 접근 방식을 사용하는 DiRIM은 실제의 형태를 완벽하게 포착했습니다.

이것이 중요한 이유

이것은 단순히 이론적인 연습이 아닙니다. 몇 년 안에 **루빈 천문대(Rubin Observatory)**와 유클리드 우주 망원경(Euclid Space Telescope) 같은 거대한 새로운 망원경들이 10만 개 이상의 이러한 중력 렌즈를 찾아낼 것으로 예상됩니다. 이는 처리해야 할 엄청난 양의 데이터입니다. 만약 천문학자들이 기존의 경직된 방법으로 이 모든 것을 분석하려 한다면, 암흑 물질과 우주의 팽창에 관한 결정적인 세부 사항을 놓치게 될 것입니다.

DiRIM 방식은 이 데이터의 홍수를 처리할 방법을 제시합니다. 그것은 빠르고 유연하며 우주를 고해상도로 볼 수 있는 능력을 갖추고 있습니다. 저자들은 현재 자신들의 결과가 컴퓨터 시뮬레이션에 기반하고 있다(아직 실제 망원경 데이터는 아니다)는 점을 언급했지만, 이러한 테스트의 성공은 이 AI가 곧 우주적 놀이공원의 거울 속에 숨겨진 비밀을 풀기 위한 표준 도구가 될 수 있음을 시사합니다. 이 방식은 무질서하고 불가능해 보이는 퍼즐을 한 번에 한 픽셀씩 해결 가능한 게임으로 바꾸어 놓습니다.