비선형 스케일에서 은하와 특이속도 클러스터링 에뮬레이션

초록

이 연구는 AbacusSummit 시뮬레이션과 HOD 모델을 이용해 은하와 특이속도 클러스터링을 비선형 스케일에서 동시에 에뮬레이트한다. 두 탐색자를 결합하면 σ₈와 w₀ 같은 핵심 우주론 파라미터에 대한 제약이 강화되며, 실제 ZTF‑DESI 모의 데이터에서도 fσ₈를 3.8% 정밀도로 측정한다. HOD 파라미터에 약간의 편향이 존재하지만, 우주론적 결과는 편향 없이 회복된다.

상세 분석

본 논문은 비선형 거리 스케일(0.3–60 h⁻¹ Mpc)에서 은하와 특이속도(peculiar velocity) 두 트레이서를 동시에 모델링함으로써 기존의 은하 2점 상관함수만을 이용한 분석보다 더 강력한 우주론 파라미터 제약을 얻을 수 있음을 실증한다. 핵심은 AbacusSummit 시뮬레이션군을 활용한 대규모 학습 데이터셋 구축과, 이를 기반으로 한 머신러닝 기반 에뮬레이터 설계이다. 시뮬레이션은 88개의 서로 다른 코스모로지를 포함하고, 각 코스모로지마다 600개의 HOD 파라미터 조합을 라틴 하이퍼큐브 방식으로 샘플링한다. 이렇게 구성된 X_Ω⊗X_HOD 구조는 파라미터 공간을 텐서곱 형태로 정리해 에뮬레이터가 입력으로 받을 때 코스모로지와 은하 할당 정보를 명확히 구분하도록 만든다.

관측량은 은하‑은하 ξ_gg, 속도‑속도 ξ_vv, 그리고 은하‑속도 ξ_vg의 다중극자(모노폴, 쿼드러플, 딥폴)이다. 평면 하늘 근사와 자연 추정자를 이용해 랜덤‑랜덤 쌍을 분석적으로 계산함으로써 계산 비용을 크게 절감했으며, 이는 시뮬레이션 박스가 주기적 경계조건을 갖는 점을 활용한 것이다. 측정된 상관함수는 Legendre 다항식 전개를 통해 각각의 다중극자를 추출하고, 이를 에뮬레이터의 목표값으로 설정한다.

에뮬레이터는 Gaussian Process Regression과 Neural Network 혼합 구조를 채택했으며, 훈련 과정에서 교차 검증을 통해 1% 이하의 상대 오차를 달성했다. 테스트 셋(6개 코스모로지, 20개 HOD)에서도 예측 정확도가 유지됨을 확인하였다. 이후 MCMC 기반 베이지안 추론 파이프라인에 에뮬레이터를 삽입해 모의 관측 데이터(특히 ZTF와 DESI가 제공할 것으로 기대되는 초신성 Ia와 Tully‑Fisher/기본면 측정의 속도 오차를 반영)에서 파라미터 복구 실험을 수행했다.

핵심 결과는 다음과 같다. (1) 은하와 속도 클러스터링을 결합하면 σ₈와 w₀에 대한 사후 분포 폭이 각각 약 15%와 12% 감소한다. (2) fσ₈는 단일 은하 클러스터링 대비 3.8% 정밀도로 회복되며, 이는 4.7% 정밀도 대비 약 20% 개선이다. (3) HOD 파라미터는 속도 측정의 노이즈와 시스템atics에 민감해 약간의 편향이 발생하지만, 우주론 파라미터는 이러한 편향에 크게 영향을 받지 않는다. (4) 실제 관측 수준의 속도 오차와 시스템atics를 포함하면 개선 효과가 감소하지만, 여전히 유의미한 이득을 제공한다. 따라서 향후 속도 측정 정확도 향상과 작은 스케일 시스템atics 보정이 비선형 영역에서 다중 트레이서 분석의 효율을 극대화하는 핵심 과제로 부각된다.