별의 분포로 암흑물질 지도를 그리는 머신러닝 연구, 우주의 번역 문제를 푸는 방법

핵심 메시지

• 암흑물질은 빛을 내지도 흡수하지도 않지만 우주 물질의 대부분을 차지해, 은하가 만들어지는 뼈대 역할을 한다.
• 연구의 질문은 단순하다. 볼 수 없는 것을, 볼 수 있는 것만으로 지도화할 수 있는가.
• 별 지도와 암흑물질 헤일로가 모두 알려진 시뮬레이션 자료로 모델을 학습시켜, 둘 사이의 통계적 관계를 배우게 했다.
• 학습된 모델은 새로운 별 분포를 받아 암흑물질 헤일로의 전체적인 형태를 복원하고, 예측이 믿을 만한 곳과 불확실한 곳까지 함께 제시한다.
• 목표는 기존 천체물리 측정을 대체하는 것이 아니라, 곧 쏟아질 수십억 개 은하 이미지를 빠르게 처리할 새 도구를 마련하는 것이다.

쉽게 이해하기

버지니아대와 코스믹 AI 연구소의 박사후연구원 샤오웨이 오우가 소개한 연구 주제는 별빛으로 암흑물질 지도를 그리는 일이다. 암흑물질은 중력을 제외하면 보통 물질과 거의, 어쩌면 전혀 상호작용하지 않고 빛을 내거나 흡수하지도 않는다. 그런데도 우주의 물질 가운데 큰 몫을 차지해 중력의 주된 원천이 되고, 은하가 형성되는 발판이자 우리은하 같은 구조를 빚어내는 뼈대 역할을 한다. 정작 그 정체가 무엇인지, 입자라면 어떤 입자인지, 애초에 어떻게 생겨났는지는 여전히 알려져 있지 않다.

이런 질문에 답하려면 먼저 암흑물질이 우주의 어디에 어떻게 분포하는지 알아야 한다. 암흑물질 이론마다 은하 내부의 미묘하게 다른 구조를 예측하기 때문이다. 문제는 이 구조를 측정하기가 매우 어렵다는 점이고, 특히 흐릿한 이미지 몇 장이 전부인 먼 은하에서는 더욱 그렇다. 그래서 연구자는 질문을 뒤집는다. 우리가 볼 수 있는 것으로 볼 수 없는 것을 지도화할 수 있을까. 은하에서 가장 직접적으로 보이는 것은 별이고, 별빛은 은하의 중심이 어디에 몰려 있는지, 외곽이 어떻게 옅어지는지, 매끄러운지 뭉쳐 있는지 늘어나 있는지 같은 구조를 드러낸다.

그 아래에는 훨씬 큰 암흑물질 헤일로가 있고, 이것이 은하의 형성과 진화를 좌우한다. 연구는 머신러닝이 이 두 층위를 이어 줄 수 있는지 묻는다. 학습에는 별과 암흑물질을 모두 알 수 있는 시뮬레이션 은하가 쓰인다. 드림 시뮬레이션 스위트처럼 별의 분포와 그에 대응하는 암흑물질 분포가 함께 주어진 자료를 모델에 반복해서 보여 주면, 모델은 눈에 보이는 은하와 그 주위의 보이지 않는 질량 사이의 통계적 관계를 익힌다.

발표자는 이를 일종의 우주적 번역 문제라고 표현한다. 모델이 그럴듯한 그림을 지어내는 것이 아니라, 별빛이라는 하나의 물리적 지표를 암흑물질이라는 다른 물리적 성질로 옮기는 법을 사례로부터 배운다는 뜻이다. 결과적으로 학습된 모델은 시뮬레이션 은하의 별 분포만 보고도 암흑물질의 큰 구조를 복원해 냈고, 헤일로의 전반적인 형태를 재현하는 데 성공했다. 여기에 더해 예측이 신뢰할 만한 영역과 모델이 확신하지 못하는 영역을 구분하는 불확실성 추정도 함께 제공한다.

연구의 목표는 전통적인 천체물리 측정을 대체하는 것이 아니다. 앞으로의 관측 서베이가 수십억 개에 이르는 은하 이미지를 쏟아낼 예정이라, 이런 방법이 있으면 은하의 빛을 보이지 않는 물질의 통계적 지도로 효율적으로 바꿀 수 있다는 것이다. 발표자는 암흑물질을 직접 사진으로 담는 일은 영영 없을지 모르지만, 시뮬레이션과 관측과 머신러닝을 적절히 결합하면 그 그림자만큼은 재구성해 나갈 수 있다는 말로 발표를 맺는다.

주요 인사이트

• 이 연구에서 머신러닝은 예측기가 아니라 번역기로 쓰인다. 시뮬레이션이 두 언어의 대역 자료 역할을 하기 때문에, 관측 불가능한 대상에 지도학습을 적용할 길이 열린다.
• 불확실성 추정을 함께 내놓는다는 점이 과학 응용에서 특히 중요하다. 어디까지 믿어도 되는지를 모르면, 복원된 지도는 이론 검증에 쓰기 어렵다.
• 학습 자료가 시뮬레이션이라는 점은 강점이자 약점이다. 시뮬레이션에 담긴 물리 가정이 곧 모델의 전제가 되므로, 실제 관측에 적용할 때는 그 가정의 타당성이 함께 따라온다.
• 대량 관측 시대에 맞춘 도구라는 위치 설정이 현실적이다. 정밀도를 다투기보다, 수십억 개 은하를 통계적으로 훑는 속도에서 가치를 찾는다.

자주 묻는 질문

관련 AI 소식