레몬(LENS‑MOD)으로 보는 유클리드 강중력렌즈 자동 모델링

초록

**
본 논문은 베이지안 신경망 LEMON을 이용해 유클리드 임무가 제공할 10⁵개의 강중력렌즈 이미지를 싱귤러 등방성 타원체(SIE) 질량 모델로 빠르고 자동화된 방식으로 추정한다. 에인슈타인 반경, 질량·광학 타원도, 세르시크 지수, 렌즈 밝기 및 원천 위치 등을 정확히 복원하며, 전통적 MCMC 모델링 대비 26배 가속한다. 모의 데이터와 HST‑to‑Euclid 변환 실데이터, 실제 Q1 렌즈에 대한 검증 결과도 제시한다.

**

상세 분석

**
LEMON은 베이지안 신경망(BNN) 구조를 채택해 입력 이미지당 확률적 파라미터 추정값과 불확실성을 동시에 출력한다. 학습에는 10⁵개의 모의 Euclid VIS 이미지가 사용됐으며, 각 이미지에는 SIE 질량 프로파일과 외부 전단(γₓ,γᵧ), 그리고 단일 세르시크 프로파일을 갖는 전경 은하가 포함된다. 파라미터 범위는 Flagship 시뮬레이션 기반의 비균일 분포로 설정돼 실제 관측 환경을 반영한다. 네트워크는 두 단계로 구성된다. 첫 번째 단계는 이미지 특징을 추출하는 8‑layer CNN이며, 두 번째 단계는 Monte‑Carlo Dropout을 이용한 샘플링 레이어로, 이를 통해 예측값의 평균과 표준편차를 얻는다.

성능 평가는 RMSE, NMAD, 그리고 신뢰구간 커버리지(CI) 지표로 수행했으며, 특히 에인슈타인 반경(R_Ein)과 질량·광학 타원도(εₓ, εᵧ)의 평균 오차가 각각 0.07″, 0.04 정도로 매우 낮았다. 세르시크 지수와 유효 반경(R_e)도 10 % 이내의 상대 오차를 보였다. 불확실성 보정 단계에서는 온도 스케일링(temperature scaling)과 베이지안 캘리브레이션을 적용해 예측된 σ가 실제 잔차와 일치하도록 조정했으며, 95 % CI의 커버리지는 93 %~97 % 사이에 머물렀다.

실제 데이터 테스트에서는 HST 이미지에 Euclid 깊이와 PSF를 적용한 “Euclidised” 데이터와 Q1에서 발견된 강렌즈 후보를 사용했다. LEMON은 시뮬레이션과 동일한 정확도를 유지했으며, 특히 복잡한 배경/전경 혼합이 있는 경우에도 파라미터 회귀가 안정적이었다. 또한 전통적인 Lenstronomy 기반 MCMC 모델링에 LEMON의 예측값을 초기값으로 제공했을 때, 수렴 속도가 평균 26배 빨라졌고, 실패율(수렴 못 함)이 70 %에서 12 %로 크게 감소했다.

한계점으로는 외부 전단(γ) 파라미터 복원은 전단 범위가 넓은 별도 데이터셋에서만 충분히 학습되었으며, 복잡한 다중 은하 시스템이나 클러스터 규모 렌즈에는 아직 적용되지 않았다. 향후 작업에서는 다중 소스, 복합 질량 모델(예: NFW+SIE), 그리고 시뮬레이션 기반 인퍼런스(SBI)와 결합한 하이어라키컬 추정으로 확장할 계획이다.

**