우주 파라미터 추정에 유전 알고리즘 활용

초록

본 논문은 코스믹 크로노미터와 초신성 데이터에 기반한 곡률 ΛCDM 모델의 파라미터를 추정하기 위해 유전 알고리즘(GA)을 적용하고, 전통적인 마코프 체인 몬테카를로(MCMC) 방법과의 성능을 비교한다. GA의 적합도 함수, 교차율, 돌연변이율 등 주요 하이퍼파라미터가 결과에 미치는 영향을 체계적으로 분석하고, 두 방법의 장·단점을 논의한다.

상세 분석

이 연구는 GA와 MCMC라는 두 가지 전혀 다른 최적화·샘플링 프레임워크를 동일한 천문학 데이터와 동일한 곡률 ΛCDM 모델에 적용함으로써, 방법론적 차이를 명확히 드러낸다. GA는 초기 인구를 무작위로 생성하고, 적합도 함수를 로그우도, 역카이제곱, 순수 우도 등으로 정의한다. 적합도가 높은 염색체는 룰렛 휠 선택을 통해 다음 세대로 전달되며, 스캐터드 교차와 적응형 돌연변이 연산을 통해 다양성을 유지한다. 교차율과 돌연변이율을 각각 0.60.9, 0.010.1 범위에서 변동시켰을 때, 파라미터 수렴 속도와 최종 추정값의 편차가 크게 달라짐을 확인했다. 특히 교차율이 높을수록 전역 탐색 능력이 강화되어 다중극값 구조를 효과적으로 탐색했지만, 과도한 교차는 수렴을 지연시켜 계산 비용이 급증한다. 반면 돌연변이율이 낮으면 초기 인구의 다양성이 유지되지 않아 지역 최소값에 머무를 위험이 있다. 최적의 조합은 교차율 0.8, 돌연변이율 0.05 정도로, 이는 MCMC의 메트로폴리스-헤이스팅스 단계와 비교했을 때 비슷한 후방분포를 재현하면서도 전역 최적해를 더 빠르게 찾는 경향을 보였다.

MCMC는 emcee 라이브러리를 이용해 평탄한 사전과 CC·SNe 데이터의 공분산 행렬을 그대로 사용했으며, 제안 분포는 다변량 가우시안으로 설정하고, 자동 적응 기법을 적용해 체인 길이를 10⁴ 단계 이상 확보했다. 결과적으로 MCMC는 파라미터의 후방분포를 정밀하게 샘플링했지만, 다중극값이 존재할 경우 체인이 한 극값에 머무를 가능성이 있다. GA는 이러한 문제를 인구 기반 탐색으로 완화하지만, 계산량이 인구 크기와 세대 수에 비례해 급증한다는 단점이 있다.

두 방법의 결과를 직접 비교하면, H₀, Ωₘ, Ω_k에 대한 평균값과 68% 신뢰구간이 서로 일치한다. 그러나 GA는 최적해 주변에 존재하는 작은 국소 최적점들을 탐색하면서, MCMC가 놓칠 수 있는 파라미터 조합을 제시한다. 또한 GA는 적합도 함수의 형태를 자유롭게 바꿀 수 있어, 비베이즈식 목표(예: 정보 기준 최소화)에도 바로 적용 가능하다. 논문은 이러한 장점을 활용해 GA를 MCMC와 병행하는 하이브리드 파이프라인을 제안하고, 향후 고차원 데이터(예: CMB 전력 스펙트럼)에도 확장 가능함을 시사한다.