딥러닝 기반 CMB 디렌싱: U‑Net++의 혁신적 성능

초록

**
본 논문은 U‑Net++ 신경망을 이용해 우주배경복사(CMB)의 렌즈 효과를 제거(디렌싱)하고, 그 결과 얻은 온도·편광 파워스펙트럼이 원래의 비렌즈드 스펙트럼과 거의 일치함을 보인다. 전통적인 2차 추정기(QE) 대비 오차가 10배 이상 감소했으며, 코드가 공개돼 향후 실험에 바로 적용 가능하다.

**

상세 분석

**
이 연구는 CMB 디렌싱 문제를 이미지‑세그멘테이션 작업으로 재구성하고, 최신 딥러닝 아키텍처인 U‑Net++에 적용한 점이 가장 큰 혁신이다. 먼저 Lenspyx, CAMB, LensPix, HEALPix 등을 활용해 Planck 2018 ΛCDM 파라미터에 기반한 30개의 다양한 Aₛ·r 조합(온도·편광 스펙트럼)과 4 Nside = 2048 해상도의 전천구 맵을 생성한다. 시뮬레이션에는 Gaussian 빔(FWHM ≈ 8.3 arcmin)과 화이트 노이즈가 포함돼 실제 관측 환경을 모사한다.

HEALPix 구면 맵을 2‑D 평면 패치로 분할한 뒤, 각 패치를 U‑Net++에 입력한다. U‑Net++는 기본 U‑Net에 비해 스킵 연결을 다중 단계로 중첩시켜 피처 재사용을 극대화하고, 깊은 레이어에서 얕은 레이어의 정보를 효율적으로 통합한다. 학습은 L2 손실을 최소화하도록 설계했으며, 훈련·검증 데이터는 80 %/20 % 비율로 무작위 분할했다. 네트워크는 200 epoch 동안 Adam 옵티마이저(learning rate = 1e‑4)로 최적화되었고, 배치 정규화와 드롭아웃으로 과적합을 억제했다.

디렌싱 후에는 각각 TT, EE, BB, TE 파워스펙트럼을 추출해, 비렌즈드(‘ground‑truth’) 스펙트럼과 직접 비교했다. 결과는 U‑Net++가 만든 디렌싱 맵의 스펙트럼이 비렌즈드 스펙트럼과 거의 겹치며, 특히 ℓ > 1500 영역에서 QE가 남기는 잔류 렌즈 효과를 10배 이상 억제함을 보여준다. BB 모드에서의 잔차는 특히 중요해, 원시 중력파 신호(r ≈ 0.001) 탐지에 필요한 잡음 수준을 크게 낮출 수 있다.

이와 같은 성능 향상은 딥러닝이 비선형, 비가우시안 특성을 학습해 전통적인 2차 추정기의 제한을 뛰어넘을 수 있음을 시사한다. 다만 현재 실험은 순수 시뮬레이션에 국한돼, 실제 관측 데이터에 존재하는 포어그라운드, 시스템atics, 비등방성 노이즈 등에 대한 일반화 능력은 추가 검증이 필요하다. 또한, U‑Net++는 대규모 GPU 메모리를 요구하므로, 초고해상도(ℓ ≈ 5000)까지 확장하려면 모델 경량화와 분산 학습 전략이 요구된다.

**