SKA Low와 21cm 신호에서 비균질 암흑물질 소멸 흔적 탐지 CNN 접근법

초록

본 연구는 차세대 전파 간섭계인 SKA‑Low가 관측할 21 cm 신호에 비균질하게 주입되는 암흑물질(DM) 소멸 에너지의 미세한 흔적을 컨볼루션 신경망(CNN)으로 구분할 수 있음을 보여준다. DM21cm 시뮬레이션을 이용해 전자·양전자(e⁺e⁻)와 광자(γγ) 두 소멸 채널, 질량 1–100 MeV, 다양한 ⟨σv⟩ 값을 포함한 3차원 밝기 온도 맵을 생성하고, 균질 모델과 비교하였다. 전자·양전자 채널에서는 ⟨σv⟩≳5×10⁻³⁰ cm³ s⁻¹(1 MeV) 혹은 ⟨σv⟩≳5×10⁻²⁹ cm³ s⁻¹(100 MeV) 이상에서 CNN이 90 % 이상 정확도로 구분했으며, SKA‑Low 잡음이 포함된 경우에도 검출 가능성을 확인하였다.

상세 분석

이 논문은 21 cm 전파학과 암흑물질 물리학을 연결하는 새로운 방법론을 제시한다. 먼저, DM21cm 코드를 활용해 21 cm 차등 밝기 온도(ΔTb) 맵을 반-수치적으로 생성하였다. 이 코드는 21cmFAST와 DarkHistory를 결합해, 암흑물질 소멸에 의해 발생하는 고에너지 전자·양전자와 광자의 에너지 주입·전달 과정을 각각의 셀에서 밀도 대비(1+δ)² 형태로 적용한다. 균질 모델은 이러한 공간적 변동을 무시하고 평균 부스트 팩터만 적용한다. 전자·양전자 채널은 짧은 평균 자유행로와 높은 전리·가열 효율 때문에 지역적 온도·이온화 변화를 크게 만든다. 반면 광자 채널은 평균 자유행로가 길어 에너지 전달이 거의 균일해져, ΔTb의 공간 변동이 미미하다.

시뮬레이션은 64³ 격자, 셀 크기 48 Mpc로 설정해, 구조 형성 단계에서의 밀도 대비와 온도·이온화 변동을 충분히 포착한다. 각 파라미터 조합(질량, ⟨σv⟩, 채널)마다 100여 개의 독립 맵을 생성하고, SKA‑Low의 시스템 온도와 관측 시간(1000 h) 기준 잡음을 가우시안 형태로 추가하였다.

CNN 아키텍처는 3D 컨볼루션 레이어 3층, 배치 정규화, ReLU 활성화, 풀링 및 전결합 레이어로 구성되었으며, 교차 엔트로피 손실과 Adam 옵티마이저를 사용해 학습하였다. 데이터는 70 %를 훈련, 15 %를 검증, 15 %를 테스트 셋으로 분할했다. 성능 평가는 정확도, 정밀도, 재현율, ROC‑AUC 등으로 수행했으며, 전자·양전자 채널에서 AUC ≈ 0.96에 달했다.

핵심 결과는 다음과 같다. (1) 전자·양전자 채널에서는 ⟨σv⟩≥5×10⁻³⁰ cm³ s⁻¹(1 MeV) 혹은 ⟨σv⟩≥5×10⁻²⁹ cm³ s⁻¹(100 MeV) 이상에서, 잡음이 포함된 SKA‑Low 맵에서도 CNN이 균질·비균질 모델을 90 % 이상 정확도로 구분한다. (2) 광자 채널은 평균 자유행로가 길어 에너지 주입이 거의 균일하므로, CNN의 구분 능력이 현저히 낮아 ⟨σv⟩ 10⁻²⁸ cm³ s⁻¹ 수준에서도 구분이 어려웠다. (3) 전통적인 파워 스펙트럼 분석은 두 모델 간 차이를 거의 탐지하지 못했으며, CNN이 비선형 공간 패턴을 학습함으로써 새로운 탐지 가능성을 열었다.

이 연구는 (i) 비균질 DM 소멸이 21 cm 신호에 남기는 미세한 온도·이온화 비등방성을 정량화할 수 있음을, (ii) SKA‑Low와 같은 차세대 전파망원경이 충분히 낮은 잡음 수준을 달성한다면 이러한 신호를 실제 관측으로 검증할 수 있음을, (iii) 딥러닝 기반 이미지 분석이 전통적인 통계 방법을 보완하거나 대체할 수 있는 강력한 도구임을 입증한다. 향후 연구에서는 더 넓은 파라미터 공간, 다른 DM 소멸 채널(예: μ⁺μ⁻, π⁰), 그리고 실제 SKA 데이터 파이프라인을 적용한 실험적 검증이 필요하다.