정규화 흐름으로 약중력 요약통계 공분산 재현하기

초록

본 연구는 정규화 흐름(NF) 생성 모델을 이용해 약중력 수렴 지도(κ‑map)에서 추출한 전력 스펙트럼, 확률밀도함수(PDF), 그리고 Minkowski 함수들의 평균·분산·공분산을 재현하는 능력을 평가한다. 데이터 벡터와 전체 κ‑map 두 가지 학습 방식 모두 평균과 분산을 1 % 이내의 정확도로 복원했으나, 공분산의 비대각 요소는 최대 25 %까지 과소평가되었다. 데이터 증강 및 잡음이 섞인 지도 학습을 포함한 완화 전략을 적용하면 공분산 오차를 약 10 % 수준으로 감소시킬 수 있음을 확인하였다.

상세 분석

이 논문은 약중력 분석에 필수적인 비가우시안 요약통계들의 정확한 공분산 추정이 관측 해석에 미치는 영향을 강조한다. 정규화 흐름(NF)은 가역적이고 미분 가능한 변환을 통해 다변량 가우시안 잠재공간을 실제 κ‑map 분포로 매핑한다는 점에서, 기존 GAN이나 VAE와 달리 명시적 확률밀도와 정확한 로그우도 계산이 가능하다. 저자들은 두 가지 학습 시나리오를 설정했는데, 첫 번째는 요약통계 벡터 자체를 입력으로 사용하고, 두 번째는 전체 256×256 픽셀 κ‑map을 직접 학습한다. 두 경우 모두 평균과 표준편차는 1 % 이내의 오차로 재현했으며, 이는 NF가 비가우시안 구조를 충분히 포착한다는 증거다. 그러나 공분산 행렬의 비대각 성분은 최대 25 %까지 낮게 추정되었는데, 이는 NF가 높은 차원의 상관구조를 완전히 학습하지 못하거나, 훈련 샘플 수가 제한적이어서 발생하는 통계적 편향으로 해석된다. 이를 개선하기 위해 저자들은 (1) 회전·반사·축척 등으로 데이터를 증강하고, (2) 원본 지도에 가우시안 잡음을 추가해 학습 데이터의 다양성을 확대하는 전략을 적용했다. 이러한 완화책을 적용하면 비대각 공분산 오차가 약 10 % 수준으로 크게 감소한다. 또한, 다중 스케일(NF‑MS) 구조와 신경 스플라인 흐름(NSF) 두 가지 아키텍처를 비교했으며, 파라미터 수가 3–4 × 10⁵ 수준인 비교적 경량 모델임에도 불구하고 높은 재현성을 보였다. 연구 결과는 NF가 평균·분산 수준에서는 충분히 신뢰할 수 있지만, 정밀한 공분산 추정이 필요한 파라미터 추정이나 베이즈 분석에서는 추가적인 데이터 보강이 필수적임을 시사한다. 향후에는 조건부 NF를 도입해 cosmological parameter space 전반에 걸친 공분산 매핑을 자동화하거나, 다중 시뮬레이션 포트폴리오와 결합해 샘플 효율성을 높이는 방안이 기대된다.