초고해상도 시뮬레이션 기반 이온화 광자 평균 자유 경로 딥러닝 에뮬레이터

초록

본 연구는 2 cMpc h⁻¹ 규모의 초고해상도 방사선‑수소역학 시뮬레이션으로부터 얻은 평균 자유 경로(MFP) 데이터를 이용해, 재이온화 적색, 광자 광도, 광자 파장, 박스 평균 과밀도 등을 입력으로 MFP를 예측하는 잔차 다층 퍼셉트론(MLP) 딥러닝 에뮬레이터를 구축하였다. 로그‑MFP를 학습하고 허버 손실을 적용해 전체 동역학 범위에서 평균 상대 오차 1.6 %를 달성했으며, 대규모 과밀도 평균과 결합해 전 우주 평균 MFP를 추정한다. 적용 결과는 재이온화가 z≈6.8에 중점적으로 진행되었으며, z≲6에서 상당한 중성 수소 잔류가 있음을 시사한다. 또한, 관측된 광자 이온화율과 MFP를 이용한 전역 이온화 방출률은 z=6에서 z=4.8 사이에 2–3배 감소함을 보여준다.

상세 분석

이 논문은 재이온화 시대의 핵심 물리량인 평균 자유 경로(MFP)를 정확히 예측하기 위해, 전통적인 대용량 방사선‑수소역학 시뮬레이션이 직면한 다중 스케일 문제를 딥러닝으로 회피한다는 혁신적인 접근을 제시한다. 저자들은 2 cMpc h⁻¹ 부피의 작은 시뮬레이션을 1024³ 격자로 구성해 ∆x≈2 h⁻¹ ckpc의 해상도를 달성했으며, 이는 제이슨 스케일 이하의 가스 클러핑과 자가 차폐 현상을 충분히 포착한다. 시뮬레이션은 다양한 재이온화 적색(z_re = 5–15), 광자 이온화율(Γ₋₁₂ = 0.03–30), 그리고 박스 과밀도(δ/σ = 0, ±√3) 조합을 포함해 총 126개의 실험 설계를 수행하였다. 이때 DC 모드와 3점 가우스‑헤르미트 적분을 이용해 대규모 밀도 변동을 통계적으로 보정함으로써, 작은 부피에서도 전 우주 평균 MFP를 재현할 수 있는 기반을 마련했다.

에뮬레이터는 입력 변수(z, z_re, Γ₋₁₂, δ/σ, 에너지)와 로그 변환된 MFP(log₁₀λ_mfp)를 매핑하는 잔차 다층 퍼셉트론(ResMLP)으로 설계되었다. 각 잔차 블록은 두 개의 완전 연결 층에 레이어 정규화와 Mish 활성함수를 적용하고, 스킵 연결을 통해 학습 안정성을 높였다. 입력 스케일링에는 RobustScaler를 사용해 중앙값과 사분위 범위 기반 정규화를 적용, 극단값에 대한 민감도를 감소시켰다. 손실 함수는 허버 손실(Huber loss)을 채택해 이상치에 대한 과도한 가중치를 방지하고, 추가적인 z_re 민감도 항을 도입해 재이온화 적색 변화에 대한 예측 변동성을 강화하였다. 최적화는 AdamW와 코사인 안일링 스케줄, 워밍 레스트아트를 결합해 5 000 epoch까지 진행했으며, 조기 종료(patience = 450)로 과적합을 억제했다. 결과적으로 테스트 셋에서 R² = 0.95, 중위 상대 오차 1.6 %를 기록, 10⁴배에 달하는 MFP 범위(∼0.1–1000 cMpc)에서도 일관된 정확도를 보였다.

에뮬레이터를 이용해 전 우주 평균 MFP를 구할 때는, 각 박스 과밀도 시뮬레이션 결과에 가우스‑헤르미트 가중치를 곱해 적분함으로써 실제 우주 밀도 분포를 재현한다. 이렇게 얻은 전역 MFP는 관측된 고적도 퀘이사 스펙트럼에서 추정된 MFP와 일치하며, 특히 z ≈ 5.5–6 구간에서 급격히 감소하는 경향을 재현한다. 이를 바탕으로 광자 이온화율(Γ)와 결합해 전역 이온화 방출률(ε) 추정에 적용하면, ε가 z = 6에서 z = 4.8 사이에 2–3배 감소한다는 결과가 도출된다. 이는 기존 연구에서 가정한 단순 파워‑로우(λ∝ν⁻³)와 비교해 보다 완만한 진화를 시사한다.

재이온화 역사를 파라메트릭하게 모델링(예: tanh 형태의 전이 함수)하고 MCMC를 통해 Γ와 MFP 관측치를 동시에 피팅하면, 재이온화 중심 적색 z_re = 6.8 ± 1.2, 지속시간 Δz ≈ 1.5–2.5가 Planck 및 kSZ 제약과 일치함을 확인한다. 특히, 10 % 중성 수소 비율이 z < 5.8(1σ) 혹은 z < 6.3(2σ)까지 남아 있다는 점은 “늦은 재이온화” 시나리오를 강하게 지지한다. 이러한 결론은 기존 대용량 시뮬레이션이 과소평가하던 작은 스케일 클러핑 효과를 정확히 반영한 결과라 볼 수 있다.

한계점으로는(1) 작은 부피(2 cMpc)에서의 경계 효과와(2) 재이온화가 전역적으로 동시 발생한다는 가정이 실제 비동질적 재이온화 과정과 차이를 만들 수 있다. 또한, 현재 에뮬레이터는 변수 간 상관관계를 무시하고 독립적으로 입력을 처리하므로, 향후 다변량 상관 구조를 포함한 확장 모델이 필요하다. 그럼에도 불구하고, 이 연구는 고해상도 물리 시뮬레이션을 딥러닝으로 압축해 재이온화 연구에 실시간 서브그리드 모델을 제공한다는 점에서 큰 의미를 가진다.