Constraining cubic and f(P) gravity models with linear regression using RANSAC and polynomial regression

우주는 팽창하고 있으며, 이는 천문학자들이 먼 은하들이 우리로부터 멀어지고 있다는 사실을 발견한 거의 한 세기 전부터 확립된 사실입니다. 수십 년 동안 과학자들은 우주의 모든 물질이 만드는 중력에 의해 이 팽창이 결국 느려질 것이라고 믿었습니다. 그러나 1990년대 후반의 관측은 놀라운 진실을 드러냈습니다. 우주는 느려지는 것이 아니라 오히려 가속되고 있다는 것이었습니다. 이 가속을 설명하기 위해 물리학자들은 공간을 밀어내는 신비로운 힘인 '암흑 에너지'의 존재를 제안했습니다. 알베르트 아인슈타인이 개발한 표준 중력 이론은 우주의 대부분에서 매우 잘 작동하지만, 암흑 에너지를 도입하지 않고서는 이러한 우주적 가속을 설명하는 데 어려움을 겪습니다. 이는 연구자들이 암흑 에너지의 필요성을 완전히 제거할 수 있는 가능성을 가진, 즉 거대한 규모에서 중력이 작동하는 방식의 근본적인 법칙을 미세하게 조정하는 '수정 중력' 이론을 탐구하도록 이끌었습니다. '큐빅 중력(cubic gravity)'과 'f(P) 중력'으로 알려진 두 가지 이론은 공간과 시간에 관한 방정식이 이전보다 더 복잡하며, 우주의 광활한 빈 공간에서만 유의미해지는 고차 수학적 항들을 포함하고 있음을 시사합니다.

인도의 GLA 대학교 연구팀은 최근 현대적인 계산 도구를 사용하여 이 두 가지 수정 중력 이론을 엄격하게 테스트했습니다. 그들의 목표는 이 복잡한 수학적 모델들이 우주의 역사의 각 지점에서 우주가 팽창하는 속도를 정확하게 예측할 수 있는지 확인하는 것이었습니다. 이를 위해 그들은 허블 매개변수(특정 거리에서 우주가 얼마나 빨리 팽창하는지를 나타내는 값)의 30가지 특정 측정값을 포함하는 데이터 세트를 활용했습니다. 연구팀은 전통적인 통계 방법론에만 의존하는 대신, 데이터에서 패턴을 찾도록 설계된 컴퓨터 알고리즘인 머신러닝 기법들을 사용했습니다. 그들은 데이터의 일부로 알고러리즘을 학습시킨 다음, 나머지 지점들에 대한 팽창률을 예측하도록 했습니다. 연구진은 머신러닝 모델의 예측치를 실제 관측 데이터 및 이론적 중력 모델 자체의 예측치와 비교했습니다.

연구는 네 가지 특정 머신러ニング 접근 방식에 초점을 맞추었습니다: 직선적인 관계를 찾는 표준 선형 회귀, 인간의 뇌가 정보를 처리하는 방식을 모방한 인공 신경망, 이상치나 '잘못된' 데이터 포인트를 무시하도록 설계된 RANSAC을 이용한 선형 회귀, 그리고 곡선 형태의 비선형 관계를 찾는 다항 회귀입니다. 연구진은 은하의 거리와 팽창 속도 사이의 관계가 단순한 직선이 아니라 곡선이라는 것을 발견했습니다. 이로 인해 다항 회귀 기법이 특히 효과적이었습니다. 연구팀은 머신러닝 예측이 실제 관측과 얼마나 밀접하게 일치하는지 측정하기 위해 '알파 편차(alpha deviation)'라는 지표를 사용했으며, 이 수치가 낮을수록 적합도가 높음을 의미합니다. 결과에 따르면 다항 회귀 기법은 매우 뛰어난 성능을 보였으며, 큐빅 및 f(P) 중력 모델의 이론적 예측과 거의 동일한 값을 산출했습니다. 실제로 다항 회귀는 우주의 미묘한 비선형적 거동을 포착하는 데 있어 신경망이나 RANSAC을 이용한 선형 회귀를 포함한 다른 머신러닝 방법들보다 더 우수한 성능을 보였습니다.

가장 중요한 발견 중 하나는 머신러닝 모델이 단순히 추측한 것이 아니라 이론적 틀의 타당성을 확인했다는 점입니다. 다항 회로 모델은 큐빅 중력의 이론적 값인 0.1360과 f(P) 중력의 0.1362에 매우 근접한 0.1362의 알파 편차를 생성했습니다. 이는 수정 중력 이론들이 제안하는 복잡한 방정식들이 우리가 하늘에서 관측하는 실제 데이터와 일치함을 시사합니다. 표준 선형 회귀 방식은 곡선인 현실에 직선을 강요하려 했기 때문에 어려움을 겪은 반면, 다항 회귀는 데이터의 곡률을 성공적으로 헤쳐 나갔습니다. 또한 연구는 지저듬한 데이터를 처리하도록 설계된 선형 회귀와 RANSAC이 표준 선형 회귀보다는 나은 성능을 보였지만, 다항 접근 방식의 정밀함에는 미치지 못했다고 언급했습니다.

연구진은 이러한 고급 머신러닝 기법이 중력에 대한 우리의 이해의 한계를 테스트하는 강력한 도구라고 결론짓습니다. 다항 회귀를 사용함으로써, 그들은 큐빅 및 f(P) 중력 모델이 반드시 암흑 에너지의 도입을 필요로 하지 않고도 우주의 가속을 설명할 수 있는 견고한 모델임을 입증할 수 있었습니다. 이 연구가 암흑 에너지의 미스터리를 해결했거나 이 수정 이론들이 최종적인 정답임을 증명했다고 주장하는 것은 아니지만, 이러한 특정 수학적 모델들이 관측 데이터와 잘 부합한다는 강력한 증거를 제공합니다. 저자들은 향후 연구가 더 큰 데이터 세트를 포함해야 하며, 더욱 발전된 머신러닝 기법을 통해 다른 우주론적 모델들을 탐구해야 한다고 제안합니다. 현재로서는, 이 연구는 우주가 곡선적이고 복잡한 방식으로 작동할 때, 적절한 종류의 수학적 곡선 적합(curve-fitting)이 자연의 근본 법칙을 놀라운 명확성으로 드러낼 수 있음을 보여주는 분명한 사례를 제공합니다.