딥러닝으로 21cm 맵에서 사라진 BAO 복원하기

초록

본 연구는 전파 간섭계 관측에서 전면에 나타나는 전파 전경 ‘웨지’를 피하고 남은 고주파 모드만을 이용해, 딥러닝 네트워크가 대규모 구조와 BAO 신호를 복원할 수 있음을 보였다. 훈련 데이터는 BAO 진동을 제거한 ‘de‑wiggled’ 시뮬레이션만 사용해 물리적 비선형 모드 결합을 학습하도록 설계했으며, 무소음 상황에서는 진폭·위상 모두 높은 정확도로 복원되었다. 실제 관측 수준의 열잡음이 포함될 경우 진폭은 편향되지만 위상은 견고하게 유지되었고, 기본 우주론 파라미터가 약간 변해도 복원 성능이 크게 저하되지 않았다.

상세 분석

이 논문은 21 cm 강도 매핑에서 전면 전경이 차지하는 ‘웨지 영역’ 때문에 큰 스케일(저 k) 모드가 손실되는 문제를 딥러닝으로 해결하고자 한다. 핵심 아이디어는 비선형 중력 진화가 작은 스케일(고 k) 모드와 큰 스케일 모드 사이에 정보를 전달한다는 점이다. 이를 검증하기 위해 저자들은 두 가지 중요한 설계 선택을 했다. 첫째, 훈련 데이터는 CLASS와 nbodykit을 이용해 얻은 선형 파워스펙트럼에서 Savitzky‑Golay 필터로 BAO 진동을 제거한 ‘de‑wiggled’ 스펙트럼을 사용했다. 이렇게 하면 네트워크가 BAO 자체를 학습하는 것이 아니라 비선형 모드 결합을 통해 손실된 저 k 정보를 추정하도록 강제한다. 둘째, 입력 데이터는 COLA‑HALO 시뮬레이션으로 만든 HI 밝기 온도 필드에서 전경 웨지를 정의하는 k∥ ≤ |k⊥| sinθ E(z) … 식에 따라 저 k∥ 모드를 완전히 마스킹하고, 추가로 k < 0.3 h Mpc⁻¹ 이하의 선형 스케일도 제거했다. 이렇게 하면 네트워크가 오직 ‘짧은 파장’ 모드만을 보게 된다.

네트워크 구조는 3차원 컨볼루션 기반 U‑Net 형태로, 인코더‑디코더 경로 사이에 스킵 연결을 두어 고해상도 공간 정보를 보존한다. 손실 함수는 복원된 필드와 원본 필드 사이의 평균 제곱 오차(MSE)와 파워스펙트럼 형태의 주파수 도메인 손실을 가중합한 복합 형태이며, 이는 위상과 진폭을 동시에 최적화하도록 설계되었다. 훈련은 200개의 독립 시뮬레이션(각 512³ 격자, 박스 크기 1 Gpc h⁻¹)으로 수행했으며, 검증용으로는 동일한 초기조건을 사용한 ‘wiggled’ 시뮬레이션을 별도로 준비했다.

결과는 크게 두 부분으로 나뉜다. 무소음(ideal) 경우, 복원된 필드의 파워스펙트럼은 원본과 거의 일치하고, 특히 BAO 진동 부분에서 진폭·위상이 모두 정확히 재현된다. 이는 네트워크가 비선형 모드 결합을 통해 손실된 저 k 정보를 효과적으로 ‘예측’했음을 의미한다. 열잡음이 포함된 SKA‑Mid AA4 설정(시스템 온도 30 K, 8 h 관측, 1 MHz 채널)에서는 복원된 파워스펙트럼의 진폭이 약 5‑10 % 정도 과대/과소 편향되지만, BAO 위상의 주기와 위치는 거의 변하지 않는다. 이는 BAO 거리 측정에 핵심적인 위상 정보가 잡음에 강인함을 보여준다.

또한, 훈련에 사용된 기본 코스모로지(Ωₘ=0.309, h=0.6766 등)와 약간 다른 파라미터(Ωₘ±0.02, σ₈±0.05)를 적용한 테스트 시뮬레이션에서도 복원 성능이 크게 저하되지 않았다. 이는 네트워크가 특정 파라미터에 과도하게 의존하지 않고, 일반적인 비선형 구조 형성 물리학을 학습했음을 시사한다.

한계점으로는 (1) 실제 관측에서는 전경 잔류, 캘리브레이션 오류, 편광 누수 등 복합적인 시스템atics가 존재하는데, 현재 연구는 열잡음만을 고려했으므로 향후 이러한 효과를 포함한 더 현실적인 시뮬레이션이 필요하다. (2) 현재 네트워크는 21 cm 밝기 온도 필드 자체를 직접 복원하지만, 실제 데이터는 복잡한 가시화 과정(이미징, 그리드 변환 등)을 거치므로 파이프라인 전반에 대한 검증이 요구된다. (3) 훈련에 사용된 COLA 시뮬레이션은 작은 스케일 정확도가 제한적이므로, 고해상도 N‑body 시뮬레이션으로 교차 검증하는 것이 바람직하다.

전반적으로 이 연구는 “모드 복원”이라는 새로운 접근법이 21 cm 강도 매핑에서 BAO와 같은 대규모 구조 정보를 회복하는 데 실용적이며, 딥러닝이 물리적 비선형 결합을 학습할 수 있음을 실증한다. 향후 SKA와 같은 차세대 전파망원경 데이터에 적용한다면, 전경 회피 전략으로 손실된 저 k 정보를 보완해 BAO 거리 측정의 통계적 효율을 크게 향상시킬 가능성이 있다.