시뮬레이션 기반 은하단 우주론 추론: Capish 코드 소개

초록

Capish는 은하단 풍부도와 약한 렌즈 질량을 동시에 모델링하는 전방 시뮬레이션 프레임워크이며, 슈퍼샘플 공분산·선택 함수·관측 잡음 등 복잡한 시스템atics를 포함한다. 저자들은 정규화 흐름을 이용한 시뮬레이션 기반 추론(SBI)을 적용해 파라미터 사후분포를 추정했으며, 전통적인 likelihood 기반 결과와 일치하지만 더 넓은 불확실성을 보였다. 또한 대규모 N‑body 시뮬레이션에서 만든 가상 은하단 카탈로그에 대해 검증하였다.

상세 분석

본 논문은 차세대 광학·적외선 대규모 은하단 서베이(LSST, Euclid)에서 기대되는 수십만 개 규모의 클러스터 데이터를 분석하기 위한 새로운 전방 시뮬레이션 기반 프레임워크인 Capish를 제안한다. Capish는 크게 세 단계로 구성된다. 첫 번째 단계에서는 Tinker 등에서 제공하는 최신 halo mass function과 halo bias를 이용해 지정된 코스모로지 파라미터(Ω_m, σ_8 등)와 조사 면적에 따라 질량‑적색편이 2차원 격자를 만든 뒤, Poisson 샘플링과 로그정규분포 형태의 Super‑Sample Covariance(SSC)를 적용해 실제 우주에서 기대되는 halo count의 평균과 변동성을 재현한다. 이때 SSC는 PySSC 라이브러리를 활용해 파워 스펙트럼 기반으로 계산되며, 로그정규 변환을 통해 비물리적 음수 카운트를 방지한다.

두 번째 단계에서는 각 halo에 대해 관측 가능한 풍부도(λ_obs)와 약한 렌즈 질량(log m_WL)을 다변량 정규분포 모델로 할당한다. 풍부도는 전형적인 power‑law scaling µ_λ0+µ_λm log m+µ_λz log(1+z) 로 정의되고, 내재적 스캐터와 포아송 샘플링을 합친 복합 스캐터 σ²_λ=int+exp(−⟨ln λ⟩) 를 적용한다. 렌즈 질량은 동일한 질량‑적색편이 의존성을 갖는 평균 관계와, 풍부도와의 상관계수 ρ를 포함한 공분산 행렬을 통해 생성된다. 여기서는 관측 잡음, 포토‑z 오차, 중심 오프셋(miscentering) 등 실험적 시스템atics를 파라미터화하여 입력한다.

세 번째 단계는 요약 통계량을 계산하는데, 저자는 각 적색편이‑풍부도 빈칸에서 클러스터 수와 평균 렌즈 질량을 추출한다. 이 두 요약량은 SBI 훈련 데이터셋의 입력으로 사용된다. SBI 자체는 정규화 흐름(Normalizing Flow) 기반의 Neural Density Estimator(NDE)를 활용한다. 저자는 10⁴~10⁵개의 시뮬레이션을 생성해 훈련하고, 사전 분포는 넓은 균등 혹은 로그균등 형태로 설정하였다. 학습된 NDE는 관측된 요약 통계량을 조건부 확률 밀도 p(θ|d) 로 직접 추정함으로써 명시적 likelihood 없이도 베이지안 사후분포를 얻는다.

핵심 결과는 다음과 같다. (1) 전통적인 Gaussian likelihood를 가정한 분석과 비교했을 때, Capish‑SBI는 평균값은 일치하나 사후분포가 더 넓어 실제 시스템atics를 반영한 불확실성을 보다 현실적으로 제시한다. (2) 대규모 N‑body 시뮬레이션(예: Euclid Flagship)에서 추출한 “진짜” 은하단 카탈로그에 대해 동일한 파이프라인을 적용했을 때, 입력된 코스모로지 파라미터를 정확히 회복하였다. (3) SSC와 풍부도‑렌즈 질량 상관을 포함한 복합 잡음 모델이 클러스터 수와 질량 측정 간의 공분산을 크게 늘리며, 이는 기존 분석에서 과소평가되던 위험을 강조한다.

이 논문은 SBI가 복잡한 관측 시스템atics와 비선형 스케일링 관계를 자연스럽게 포함할 수 있음을 실증적으로 보여준다. 또한 Capish는 오픈소스 Python 패키지로 제공돼, 향후 다양한 클러스터 선택 함수(광학, X‑ray, SZ)와 다중 질량 프록시(광도, 온도, SZ 신호)까지 확장 가능하다. 다만 현재는 풍부도‑질량 관계를 단순 Gaussian으로 가정하고 있어, 실제 데이터에서 비정규성(예: 풍부도 절단 효과, 클러스터 멤버 오염) 등을 반영하려면 추가 모델링이 필요하다.