Deep Learning for f (T) Gravity: Joint PINN Reconstruction and MCMC Analysis of Data Sets

수십 년 동안 천문학자들은 우주가 점점 더 가속되는 속도로 팽창하는 모습을 지켜봐 왔습니다. 1990년대 후에는 이 발견이 중력이 우주의 속도를 늦춰야 한다는 기존의 오랜 믿음을 뒤엎었습니다. 이러한 가속을 설명하기 위해 과학자들은 빈 공간을 채우고 있는 일정한 에너지로 모델링되는 '암흑 에너지'라는 신비로운 힘의 존재를 제안했습니다. 그러나 '람다 차가운 암흑 물질(Lambda Cold Dark Matter)' 모델로 알려진 이 표준적인 설명은 깊은 이론적 난제에 직면해 있습니다. 이 모델은 왜 지금 이 시점에 우주가 가속하고 있는지에 대해 물리학적 의문을 남기며, 이 신비로운 밀어내는 힘의 구체적인 강도에 대한 근본적인 이유를 제시하지 못합니다. 이러한 공백 때문에 연구자들은 중력 자체가 가장 거대한 규모에서 다르게 작동할 가능성, 즉 우주가 늘어남에 따라 그 법칙이 변할 수도 있다는 가능성을 탐구하기 시작했습니다. 그러한 아이디어 중 하나인 '텔레파럴 중력(teleparallel gravity)' 이론은 중력을 공간의 휘어짐이 아니라, 우주의 구조가 뒤틀리는 현상인 '비틀림(torsion)'으로 설명합니다.

인도의 한 연구팀은 이러한 아이디어를 테스트하기 위해 새로운 접근 방식을 취했습니다. 이들은 비틀림 중력의 법칙이 어떤 모습일지 추측하는 대신, 데이터로부터 직접 법칙을 학습하도록 설계된 컴퓨터 시스템을 구축했습니다. 이들은 두 가지 방대한 천문 관측 자료를 결합했는데, 하나는 우주가 역사 속 서로 다른 시점에 얼마나 빠르게 팽창했는지를 측정하는 것이고, 다른 하나는 우주의 거리를 지도화하기 위해 폭발하는 별들의 밝기를 추적하는 것입니다. 연구진은 이 데이터를 '물리 정보 신경망(physics-informed neural network)'이라 불리는 특수한 유형의 인공지능에 입력하여, 물리 법칙을 엄격히 준수하면서 우주 팽창의 역사를 재구성하도록 했습니다. 이 시스템은 중력의 형태를 특정하여 가정하지 않았으며, 단지 관측 결과가 이론의 형태를 이끌어내도록 내버려 두었습니다.

그 결과, 수십억 년에 걸쳐 우주가 어떻게 팽창해 왔는지에 대한 매끄럽고 연속적인 그림이 도출되었습니다. 이렇게 재구성된 역사로부터 연구팀은 그러한 팽창을 만들어내는 데 필요한 비틀림 중력의 구체적인 수학적 형태를 도출해 냈습니다. 그런 다음, 이 복잡하고 데이터 중심적인 형태를 복잡한 패턴에 맞춰 휘거나 비틀릴 수 있는 방정식의 일종인 '3차 다항식(cubic polynomial)'을 사용하여 관리 가능한 공식으로 단순화했습니다. 연구의 견고함을 보장하기 위해, 이들은 고급 통계 방법을 사용하여 방정식에 들어갈 숫자의 가장 가능성 높은 값들을 계산하고 불확실성의 범위를 설정했습니다. 분석 결과, 재구성된 모델은 관측 데이터와 잘 부합하며, 측정된 전체 적색편이 범위에 걸쳐 팽창 역사를 밀접하게 추적하는 것으로 나타났습니다.

연구진이 자신들의 새로운 데이터 기반 모델을 표준 중력 이론과 비교했을 때, 결과는 미묘했습니다. 일정한 우주 상수(cosmological constant)를 가정하는 표준 모델은 관측 결과를 설명하는 데 있어 더 적은 가정을 필요로 하며 여전히 통계적으로 약간 더 나은 적합도를 보였습니다. 그러나 새로운 모델이 실패한 것은 아니었습니다. 이 모델은 표준 이론으로부터 매끄럽고 체계적인 방식으로 벗어나면서도, 우주를 설명하는 유효한 기술로서 남아 있었습니다. 이 연구는 중력 법칙에 대한 완만한 변화가 현재의 관측치에 의해 여전히 허용된다는 점을 보여주었습니다. 이 작업의 가장 중요한 성과는 반드시 표준 모델이 틀렸음을 증명하는 것이 아니라, 강력한 새로운 방법론을 제시했다는 데 있습니다. 딥러닝과 통계 분석을 결합함으로써, 연구진은 선입견에 갇히지 않고 하늘로부터 직접 중력 이론을 재구성할 수 있는 유연한 파이프라인을 구축했으며, 이는 향후 더 정밀한 데이터를 통해 수정 중력 이론을 테스트할 수 있는 길을 열어주었습니다.