딥 생성 모델로 만든 은하 이미지, 암흑 에너지 연구에 새로운 길

암흑 에너지의 본질을 밝히기 위한 차세대 우주 관측조사(LSST, Euclid, WFIRST)는 수십억 개의 은하 형태를 정밀하게 측정해야 한다. 약한 중력 렌즈 효과는 은하 이미지에 미세한 전단을 부여하지만, 실제 관측에서는 대기와 광학계에 의한 블러, 픽셀화, 노이즈 등으로 인해 전단 추정에 편향(m, c)이 발생한다. 이러한 편향을 교정하려면, 알려진 전단을 적용한 고품질 은하 이미지가 필요하지만, 현재 가장 신뢰받는 데이터인 HST 기반 COSMOS는 양이 제한적이며, 추가 관측은 비용이 크게 든다. 본 논문은 이 문제를 해결하기 위해 딥러닝 기반 조건부 생성 모델을 활용한다. 먼저, 은하 이미지와 물리적 조건(반경, 밝기, 적색편이)을 결합한 조건부 변분 오토인코더(C‑VAE)를 설계한다. ELBO 최적화를 통해 잠재 변수 z와 조건 y 사이의 의존성을 최소화하고, 배치 수준의 교차‑상관 패널티 C(y,z)를 도입해 z와 y가 독립적으로 학습되도록 한다. 또한, y의 경험적 누적분포함수를 정규화해 Gaussian 형태로 변환함으로써 KL 발산 항이 효율적으로 작동하도록 한다. 두 번째로, 기존 GAN의 한계를 보완한 새로운 조건부 GAN(C‑GAN)을 제안한다. 생성자는 y와 무작위 노이즈를 입력받아 이미지를 생성하고, 판별자는 실제와 합성 이미지를 구분한다. 여기서 저자들은 생성자 손실에 조건부 로그우도와 교차‑상관 패널티를 결합한 복합 목표 함수를 도입해, 생성 이미지가 물리적 조건을 정확히 반영하도록 유도한다. 이 접근법은 VAE가 흔히 보이는 흐릿함을 크게 감소시킨다. 실험에 사용된 데이터는 COSMOS에서 추출한 85,000장의 64×64 이미지와 Galaxy‑Zoo에서 얻은 61,000장의 128×128 컬러 이미지이다. 모든 이미지는 주요 축을 정렬하고, 수평·수직 플립으로 증강하였다. 모델 학습은 Adam 옵티마이저와 단계적 학습률 스케줄링을 적용했으며, 교차‑상관 패널티 계수는 0에서 1000까지 선형 증가시켜 안정성을 확보했다. 평가에서는 평균 교차‑상관, 음의 로그우도, 그리고 은하 형태 파라미터(ellipticity, Sérsic index, 밝기 등)의 조건부 분포를 비교하였다. C‑VAE의 Scheme I(조건부 prior를 명시적으로 모델링)에서 가장 낮은 로그우도를 기록했으며, 교차‑상관 패널티 적용 시 z와 y의 상관계수가 거의 0에 수렴함을 확인했다. C‑GAN은 시각적으로 높은 해상도와 실제와 구분하기 어려운 질감을 생성했으며, 조건별 밝기·크기 변화가 실제 데이터와 일치하였다. 전체적으로, 생성된 이미지의 형태·모양 통계는 실제 이미지와 유의미하게 일치했으며, 이는 향후 약한 렌즈 시뮬레이션 파이프라인에 직접 활용 가능함을 의미한다. 결론적으로, 조건부 VAE와 새로운 조건부 GAN을 결합한 접근법은 고품질 은하 이미지의 대량 합성을 가능하게 하여, 비용이 많이 드는 추가 관측 없이도 차세대 암흑 에너지 조사에 필요한 보정 데이터를 제공한다. 이는 관측 편향을 정밀하게 교정하고, 궁극적으로 암흑 에너지 모델의 구분력을 향상시키는 데 중요한 기여를 할 것으로 기대된다.