Identifiability Limits of Gravitational Wave Phase Deviations: Multiclass Classification with a Multihead Neural Network

알베르트 아인슈타인이 설명한 중력은 물체를 끌어당기는 힘이 아니라 질량에 의해 발생하는 시공간의 곡률입니다. 블랙홀과 같은 거대한 천체들이 서로를 향해 나선형으로 회전하며 충돌할 때, 이들은 '중력파'라고 불리는 이 직물의 파동을 만들어냅니다. 이 파동은 아인슈타인의 이론이 예측하는 바와 놀라울 정도로 일치하는, 늘어나고 수축하는 특정한 패턴인 독특한 서명을 전달합니다. 그러나 과학자들은 오랫동안 아인슈킨의 이론에 미세한 균열이 있는지, 즉 아인슈타인이 예견하지 못한 새로운 물리학이나 숨겨진 힘이 존재하는지 궁금해해 왔습니다. 이러한 균열을 찾기 위해 연구자들은 충돌하는 블랙홀의 "처프(chirp)" 소리에 귀를 기울이며, 파동의 리듬에서 표준 중력 법칙으로부터의 이탈을 알릴 수 있는 아주 미세한 편차를 찾습니다.

문제는 이러한 잠재적 편차가 매우 미묘하다는 점에 있습니다. 이들은 탐지기의 노이즈 속에 깊숙이 묻혀 있으며, 진정한 새로운 물리적 효과와 무작위적인 변동 또는 데이터의 미세한 오해를 구별하는 것은 매우 어렵습니다. 더욱이, 이론이 아인슈타인의 예측에서 벗어날 수 있는 방법은 매우 다양하며, 각 방법은 고유한 수학적 지문을 가지고 있습니다. 문제는 단순히 우리가 편차를 들을 수 있느냐가 아니라, 그 편차가 정확히 어떤 종류인지 식별할 수 있느냐는 것입니다. 이것이 하이델베르크 대학교의 연구팀이 마주한 핵심 과제이며, 그들은 컴퓨터가 전통적인 방식보다 이러한 미세한 신호를 더 잘 분류할 수 있는지 알아보기 위해 인공지능을 활용했습니다.

연구진은 파동의 리듬이 진화함에 따라 어떻게 변하는지에 따라 여섯 가지의 뚜렷한 가계(family)로 조직된 특정 편차 집합에 집중했습니다. 파동의 주파수를 음계 위를 미끄러져 올라가는 음악적 음표라고 상상해 보십시오. 어떤 대안 이론에서는 이 미끄러짐이 음의 높낮이에 따라 빨라지거나 느려질 수 있습니다. 연구팀은 낮은 음에서 가장 강하게 나타나는 효과부터 높은 음에서 지배적인 효과까지, 이 미끄러짐이 일어날 수 있는 여섯 가지 서로 다른 방식을 정의했습니다. 또한 편차가 존재하지 않는 표준 아인슈타인 사례도 포함했습니다. 아이디어를 테스트하기 위해, 그들은 충돌하는 블랙홀로부터 생성된 수천 개의 시뮬레이션된 중력파 신호를 생성하고, 여기에 실제 Advanced LIGO 탐지기의 환경을 모사한 현실적인 배경 노이즈를 추가했습니다.

이 복잡한 데이터를 이해하기 위해 연구팀은 인간의 뇌를 모델로 한 유형의 컴퓨터 프로그램인 신경망을 구축하여 분류기 역할을 하도록 설계했습니다. 신경망은 단순히 "편차가 있는가?"라고 묻는 대신, 두 가지 질문을 동시에 던지도록 훈련되었습니다. 첫째, 일곱 가지 가능성(표준 아인슈타인 신호 또는 여섯 가지 특정 편차 가계) 중 어떤 것이 존재하는지 식별해야 했습니다. 둘째, 그 편차의 강도를 추정해야 했습니다. 네트워크에 입력된 것은 파동의 가공되지 않은 소리가 아니라, '응답 함수(response function)'라고 불리는 특수한 수학적 지도였습니다. 이 지도는 탐지기가 파동의 형태 변화에 얼마나 민나한지를 강조하여, 이미 잘 알려진 부분은 걸러내고 새로운 이론이 숨어 있을 수 있는 미세한 이상 징후에 컴퓨터의 주의를 집중시킵니다.

실험 결과는 컴퓨터가 할 수 있는 영역과 데이터 자체가 허용하는 영역 사이의 명확한 경계를 드러냈습니다. 편차가 노이즈 위로 뚜렷하게 보일 만큼 강했을 때, 신경망은 표준 탐지기 감도에서 약 43%, 최근 관측 조건에서 약 33%의 확률로 올바른 편차 가계를 식별했습니다. 이 수치가 낮아 보일 수 있지만, 이는 이론적인 "완벽한" 분류기의 성능과 매우 유사합니다. 이 이상적인 분류기는 연구진이 모든 소스의 실제 매개변수를 미리 알고 있는 물리 법칙을 사용하여 구축한 것입니다. 신경망이 이 이론적 한계치와 거의 비슷하게 수행했다는 사실은, 편차를 식별하는 데 있어 어려움이 컴퓨터의 설계나 훈련의 결함 때문이 아니라, 신호 자체의 특성에 기인한다는 것을 시사합니다.

핵적인 문제는 서로 다른 가계들이 기하학적으로 매우 유사하다는 점입니다. 표준 중력파 모델을 데이터에 맞출 때, 남겨진 신호(모델과 일치하지 않는 부분)는 인접한 다른 가계들의 모습과 거의 동일하게 보입니다. 이는 마치 서로 다른 이론들이 남기는 지문이 너무나 유사한 모양이라서, 완벽한 관찰자라도 더 많은 정보 없이는 그것들을 구분하기 힘들 정도로 닮았다는 것과 같습니다. 연구진은 네트워크가 이론적 한계와 똑같은 실수를 저지르며, 종종 가장 가까운 이웃 가계와 혼동한다는 것을 발견했습니다. 이러한 혼동은 블랙홀이 무거울수록 더 두드러졌는데, 무거운 블랙홀은 탐지기의 민감한 범위 내에서 머무는 시간이 짧아 파동이 연주할 수 있는 "음표"가 적어지기 때문에 이론 간의 차이를 구별하기가 더욱 어려워집니다.

정확한 가계를 특정하는 데는 어려움이 있었지만, 시스템은 더 거친 수준의 분석에서는 매우 효과적이었습니다. 네트워크는 거의 항상 어떤 편차가 존재함을 감지하여, 강력한 신호가 있는 경우 거의 모든 경우에 이를 정확히 표시했으며, 표준 신호에 대해 잘못된 경보를 울리는 일도 거의 없었습니다. 또한, 편차가 파동을 빠르게 만드는지 혹은 느리게 만드는지를 결정하여, 가계들을 양(+)과 음(-)의 범주로 약 80%의 정확도로 안정적으로 그룹화할 수 있었습니다. 이는 비록 새로운 이론의 정밀한 수학적 형태를 식별하는 것은 여전히 어려울지라도, 현재의 이해에 문제가 있다는 것을 감지하는 능력은 견고하다는 것을 시사합니다. 또한 이 연구는 네트워크가 시뮬레이션된 노이즈만큼이나 실제 탐지기 노이즈도 잘 처리할 수 있음을 확인했으며, 이는 실제 관측에 이러한 도구를 적용하기 위한 중요한 단계입니다.

궁극적으로 이 연구는 중력을 테스트하는 데 있어 병목 현상이 발생하는 지점이 알고리즘의 정교함이 아니라, 우리가 구별하려고 하는 신호들의 본질적인 유사성임을 보여줍니다. 신경-망은 현재의 데이터로 가능한 한계치에 도달했습니다. 정보가 부족하여 가계들을 분리할 수 없기 때문에 더 잘할 수 없는 것입니다. 연구진은 앞으로의 방향이 더 낮은 주파수의 파동을 더 오래 포착할 수 있는, 즉 블랙홀의 "노래"를 더 길게 들을 수 있는 더 민감한 탐지기를 구축하는 데 있다고 제안합니다. 다음 세대의 기기들은 더 낮은 주파수를 더 오랫동안 들을 수 있게 될 것이며, 이를 통해 이론 간의 차이가 훨씬 명확해져 아인슈타인의 중력으로부터 발생하는 어떠한 편차의 구체적인 성격도 마침내 식별할 수 있게 될 것입니다.