Simulation-based inference for AGN jet population modelling: Towards more robust comparisons of black hole jet speeds

우주를 거대한 우주적 공장이라고 상상해 보세요. 그곳에서는 상상할 수 있는 가장 강력한 엔진들이 끊임없이 가동되고 있습니다. 이 엔진들은 블랙홀이며, 이들은 단순히 그 자리에 머물러 있는 것이 아니라 '제트(jet)'라고 불리는 거대하고 빠른 입자 빔을 수천 광년 길이로 뿜어냅니다. 이 제트를 로켓의 배기 가스라고 생각하되, 연료를 태우는 대신 블랙홀의 강력한 중력과 회전에 의해 동력을 얻는다고 생각하십시오. 과학자들은 이 엔진들이 작은 것(우리 은하에 있는 블랙홀처럼)이든 거대한 것(다른 은하 중심에 있는 초거대 질량 블랙홀처럼)이든 동일한 방식으로 작동하는지 오랫동안 궁금해해 왔습니다. 이를 알아내기 위해 천문학자들은 이 제트들이 실제로 얼마나 빨리 움직이는지를 측정해야 합니다. 하지만 문제는 우주가 매우 까다롭다는 점입니다. 이 제트들은 매우 빠르게 움직이고 방향도 제각각이기 때문에, 우리가 어떤 방향을 향하고 있느냐에 따라 우리에게 보이는 모습이 달라집니다. 이는 마치 자동차가 옆을 지나가는 것을 보는 것과 같습니다. 차가 당신을 향해 정면으로 달려오면 믿기지 않을 정도로 빠르고 밝게 보이지만, 당신으로부터 멀어지거나 시야를 가로질러 달리면 더 느리고 어둡게 보입니다. 이 때문에 우리는 제트 전체의 '진정한' 속도를 알기가 매우 어렵습니다. 왜냐하면 우리는 우리를 향해 있는 제트들만을 볼 수 있기 때문입니다.

이 논문은 이 퍼즐을 풀기 위한 탐정 이야기입니다. 저자인 클라라 릴리(Clara Lilje), 제임스 매튜스(James Matthews), 롭 펜더(Rob Fender)는 이 제트들의 '모집단(parent population)'—즉, 우리가 운 좋게 볼 수 있는 것들뿐만 아니라 제트 전체의 가족—을 더 자세히 들여다보고 싶어 했습니다. 그들은 MOJAVE라는 유명한 조사에서 추출한 174개의 강력한 라디오 퀘이사(활동 은하의 일종) 샘플을 사용했습니다. 복잡하고 무질서한 데이터 처리에 어려움을 겪는 전통적인 방식의 수학 대신, 그들은 '시뮬레이션 기반 추론(simulation-based inference)'이라는 현대적이고 컴퓨터 지능적인 기법을 사용했습니다. 이것은 컴퓨터가 제트가 얼마나 빨리 움직이는지에 대한 서로 다른 규칙을 가진 수백만 개의 가짜 우주를 만들어내는 비디오 게임과 같다고 생각하면 됩니다. 그런 다음 컴퓨터는 어떤 규칙 세트가 우리가 관측하는 실제 우주와 똑같이 보이게 만드는지를 학습합니다. 이렇게 함으로써, 그들은 이 거대한 제트들의 속도가 특정 패턴을 따른다는 것을 발견했습니다: 제트의 수는 속도가 빨라짐에 따라 감소하며, 그 지수는 대략 -1.32인 곡선을 따릅니다. 결정적으로, 그들은 이 수치에 대한 불확실성이 이전 연구들에서 생각했던 것보다 훨씬 크며, 데이터의 형태가 단순하고 깔끔한 종 모양 곡선이 아니라는 것을 발견했습니다. 이 결과를 작은 블랙홀(X선 쌍성계라고 불리는)에서 나오는 제트의 속도와 비교했을 때, 두 그룹은 놀라울 정도로 유사하다는 것을 발견했습니다. 속도 분포의 기울기가 2-시그마(2-sigma) 범위 내에서 일치한다는 것은, 블랙홀이 제트를 쏘아 올리는 물리학이 블랙홀이 작든 거대하든 상관없이 보편적으로 작동할 수 있음을 시사합니다.

우주의 과속 단속

이 과학자들이 무엇을 했는지 이해하려면, 먼저 '우주의 과속 단속(Cosmic Speed Trap)'을 이해해야 합니다. 당신이 경주 트랙에 있다고 상상해 보세요. 하지만 당신은 관중석의 단 한 좌석에서만 자동차들을 볼 수 있습니다. 차가 당신을 향해 직선으로 달려오면, 엄청나게 빨라 보이고 헤드라이트는 눈이 멀 정도로 밝습니다. 차가 당신으로부터 멀어지면 느리고 어둡게 보입니다. 차가 당신의 시야를 가로질러 지나가면 그 중간 정도의 모습으로 보입니다. 이제, 모든 경주 차량의 평균 속도를 알아내려고 노력한다고 가정해 봅시다. 하지만 당신은 당신에게로 돌진하는 차량들만 볼 수 있습니다. 당신은 모든 차가 엄청나게 빠르다고 착각할 수도 있습니다. 왜냐하면 느린 차들은 당신의 시야에서 숨겨져 있기 때문입니다. 이것이 바로 블랙홀 제트에서 일어나는 현상입니다. 우주는 블랙홀이 제트를 쏘아 올리는 것들로 가득 차 있지만, '상대론적 빔 효과(relativistic beaming)'라는 현상 때문에 우리는 주로 빛의 속도에 가깝게 움직이며 지구를 향해 직접 조준된 것들만을 보게 됩니다. 느린 것들이나 옆을 향하고 있는 것들은 너무 희미해서 우리의 망원경이 포착하지 못합니다. 이는 우리의 관측이 가장 빠르고 밝은 물체들에 치우치게 만드는 '플럭스 제한(flux limit)'이라는 편향을 만듭니다.

옛날 방식 vs 새로운 방식

오랫동안 천문학자들은 앤더슨-달링 검정(Anderson-Darling test)이나 카이제곱 검정(chi-squared tests)과 같은 표준 수학 도구를 사용하여 이 편향을 해결하려고 노력했습니다. 이러한 도구들을 구멍에 맞지 않는 사각형 말뚝을 끼워 넣으려는 시도라고 생각하십시오. 만약 제트의 속도처럼 한 번에 한 가지 요소만 보고 있다면 이 도구들은 괜찮을 수 있습니다. 하지만 속도, 밝기, 거리를 동시에 보려고 하면 이 도구들은 혼란에 빠집니다. 이 도구들은 종종 답이 대칭적인 예쁜 종 모양 곡선(가운데가 가장 높고 양옆으로 고르게 낮아지는 모래 더미 같은 형태)을 따른다고 가정합니다. 또한 이 도구들은 지나치게 자신만만하여, 매우 좁은 범위의 답을 제시하며 "우리는 답이 정확히 여기에 있다고 99% 확신합니다!"라고 말하는 경향이 있습니다.

이 논문의 저자들은 다른 접근 방식을 시도하기로 했습니다. 그들은 **시뮬레이션 기반 추론(SBI)**이라는 방법을 사용했습니다. 당신이 비밀 케이크의 레시피를 추측하려고 한다고 상상해 보세요. 케이크를 맛보고 재료를 하나씩 추측하는 대신, 로봇 요리사가 있다고 생각하십시오. 당신은 로봇에게 "계란 2개, 설탕 1컵, 밀가루 3컵을 넣은 케이크를 만들어줘"라고 말합니다. 로봇은 그것을 구워낸 뒤 결과를 보여줍니다. 당신은 실제 케이크와 비교합니다. 만약 케이크가 너무 건조하다면, 당신은 로봇에게 밀가루를 적게 넣어서 다시 해보라고 말합니다. 로봇은 이 과정을 수백만 번 반복하며, 재료와 최종 결과물 사이의 관계를 학습합니다. 결국, 로봇은 당신이 가진 케이크를 만들 수 있었던 가능한 모든 재료 조합의 지도인 '우도 표면(likelihood surface)'을 학습하게 됩니다.

이 논문에서 '재료'는 블랙홀 제트의 특성(얼마나 빨리 회전하는지, 얼마나 밝은지, 시간이 지남에 따라 어떻게 진화하는지 등)이며, '케이크'는 MOJAVE 조사에서 얻은 데이터입니다. 로봇(정규화 흐름(normalizing flow)이라 불리는 머신러닝 모델)은 수백만 개의 가짜 우주를 시뮬레이션하고, 어떤 우주가 실제 데이터와 똑같이 보이는지를 학습한 다음, 과학자들에게 실제 우주의 가장 가능성 높은 '레시피'가 무엇인지 알려줍니다.

주요 발견

저자들이 시뮬레이션을 실행했을 때, 기존의 방법들이 놓쳤던 흥미로운 사실들을 발견했습니다:

1. 답은 더 무질서하며 (더 정직합니다): 기존의 방법들은 매우 깔끔하고 대칭적인 답을 내놓았습니다. 새로운 방법은 답이 실제로 '울퉁불퉁하고' 비대칭적이라는 것을 보여주었습니다. 예를 들어, 속도 분포의 불확실성은 완벽한 종 모양 곡선이 아니라 한쪽으로 치우쳐 있습니다. 이는 기존 연구들이 아마도 지나치게 자신만만했을 것임을 의미합니다. 새로운 연구는 "우리는 속도 지수가 -1.32라고 생각하지만, 이는 -1.51에서 -1.12 사이 어디에나 있을 수 있습니다"라고 말합니다. 이는 훨씬 더 넓은 범위이지만, 더 정직한 범위입니다.
2. '빔 효과' 계수는 확실합니다: 그들이 테스트한 매개변수 중 하나는 '빔 지수(beaming exponent, 제트의 밝기가 각도에 따라 얼마나 변하는지)'였습니다. 시뮬레이션은 이 부분에 대해 매우 확신했으며, 값을 아주 타이트하게 고정했습니다. 이는 이전 과학자들이 모델에서 이 값을 2.0으로 고정했던 것이 옳았음을 확인해 주었습니다.
3. '속도와 밝기'의 얽힘: 시뮬레이션은 일부 변수들이 '퇴화(degenerate)'되어 있다는 것, 즉 서로 얽혀 있다는 것을 보여주었습니다. 예를 들어, 제트의 밝기가 시간에 따라 변하는 방식(적색편이 진화)은 그 속도가 변하는 방식과 분리하기 어렵습니다. 시뮬레이션은 두 변수가 섞이는 데이터의 길고 늘어진 형태를 완벽하게 포착해 냈습니다. 기존의 방법들은 이러한 복잡성을 놓쳤을 것입니다.

우주적 연결: 거인과 난쟁이

이 논문의 가장 흥激한 부분은 비교입니다. 저자들은 거대 블랙홀(활동 은 galaxy, AGN)에 대한 새롭고 더 정확한 측정값을 가져와서, 우리 은하에 있는 작은 블랙홀(X선 쌍성계, XRB)에 대한 측정값과 비교했습니다.

이것은 페라리와 고카트를 비교하는 것과 같습니다. 당신은 그들이 완전히 다른 엔진을 가지고 있을 것이라고 예상할 수 있습니다. 하지만 저자들이 '로렌츠 인자(Lorentz factor, 빛의 속도에 얼마나 가까운지를 나타내는 멋진 표현)'를 살펴보았을 때, 놀라운 것을 발견했습니다. 거대 AGN 제트와 작은 XRB 제트의 속도 분포는 2-시그마 범위 내에서 서로 일치합니다.

"2-시그마"가 무엇을 의미할까요? 과학에서 이것은 "이 두 가지가 같을 가능성이 꽤 높지만, 아직 100% 확신할 수는 없다"라고 말하는 방식입니다. 이는 동전을 100번 던졌을 때 앞면이 60번 나온 것과 같습니다. 의심스럽긴 하지만, 우연일 가능성도 있습니다. 그러나 이것은 블랙홀의 크기가 산만큼 크든 태양계만큼 크든 상관없이, 블랙홀이 제트를 쏘아 올리는 물리학이 동일할 수 있음을 시사하기에는 충분히 강력한 근거입니다.

이것이 중요한 이유

이 논문은 단순히 새로운 숫자를 제공하는 것이 아니라, 새로운 사고방식을 제공합니다. 이는 우리가 복잡하고 편향된 데이터를 다룰 때, 모든 것이 깔끔하고 대칭적이라고 가정하는 단순한 도구를 사용하는 것을 멈춰야 한다는 것을 보여줍니다. 시뮬레이션 기반 추론을 사용함으로써, 저자들은 이전에는 숨겨져 있던 데이터의 '울퉁불퉁함'과 '얽힘'을 볼 수 있었습니다.

또한 그들은 우주가 우리가 생각했던 것보다 더 균일할 수 있음을 보여주었습니다. 만약 가장 작은 블랙홀의 제트와 가장 큰 블랙홀의 제트가 동일한 속도 규칙을 따른다면, 이는 이 우주적 엔진을 지배하는 근본적인 물리 법칙이 보편적이라는 것을 암시합니다. 이는 마치 장난감 자동차와 실제 레이싱 카를 만드는 데 동일한 설계도가 사용된다는 것을 알아내는 것과 같습니다.

물론 저자들은 이것이 최종 결론이라고 말하지 않도록 주의를 기울입니다. 그들은 우리가 이 물체들을 관측하는 방식에 여전히 몇 가지 차이점이 있다는 점(예를 들어, 거대한 제트를 작은 것들과는 다른 거리에서 관측한다는 점)을 지적하며, 확실히 하기 위해 더 많은 데이터가 필요하다고 말합니다. 하지만 이 강력한 새로운 방법을 사용함으로써, 그들은 진정한 본질을 이해하는 데 큰 발걸음을 내디뎠습니다. 그들은 적절한 도구가 있다면, 마침내 우리를 향해 있는 제트들뿐만 아니라 블랙홀 제트라는 전체 가족을 볼 수 있다는 것을 증명했습니다.