스위프트Cℓ: 대규모 구조 분석을 위한 초고속 차분가능 각전력스펙트럼

초록

SwiftCℓ은 JAX 기반의 GPU 가속 파이프라인으로, Limber 근사를 넘어선 각전력스펙트럼을 FFTLog 기법과 k‑보간을 활용해 0.005 초 안에 120개의 스펙트럼을 계산한다. 자동 미분이 가능해 HMC·MCMC·Fisher 분석에 바로 적용할 수 있다.

상세 분석

본 논문은 차세대 광학·스펙트럼 대규모 구조 설문(LSS)에서 요구되는 ‘정밀도 + 속도’를 동시에 만족하는 새로운 각전력스펙트럼 계산기 SwiftCℓ을 제시한다. 핵심은 (1) FFTLog 기반의 로그‑스케일 푸리에 변환을 이용해 구면 베셀 함수를 analytically 적분하는 방법이며, (2) k‑의존 성장인자와 편향을 직접 보간함으로써 비선형·다중 스케일 효과를 정확히 반영한다는 점이다. 기존 코드는 Limber 근사에 의존하거나, k‑의존성을 무시한 선형 성장만을 허용해 대규모(ℓ ≲ 30)에서 편향이 발생한다. SwiftCℓ은 P(k, z) 를 고정‑z = z_fid 에서 분리하고, D(k, z) 를 비선형 성장·중성미자 질량·중력 수정 등 모든 k‑의존성을 포함하도록 정의한다. 이를 통해 PNG, ISW 등 대규모 효과를 정확히 모델링한다.

FFTLog 단계에서는 χ‑의존 윈도우 함수와 D(k, z)를 각각 로그‑주기 함수로 전개하고, γ‑함수 비율을 미리 계산해 ℓ‑별 가중치를 얻는다. k‑공간에서는 N_interp 개의 샘플만 직접 FFTLog 계수를 계산하고, 나머지는 spline 보간으로 처리해 연산량을 크게 감소시킨다. 하이퍼파라미터 N_FFT와 N_interp 은 정확도·속도 트레이드오프를 조절하며, Appendix A 에서 수렴 테스트가 제시된다.

자동 미분은 JAX의 autograd를 그대로 활용해 모든 단계(윈도우, 성장인자, 베셀 적분, k‑적분)에서 미분 가능하도록 구현했다. 따라서 파라미터 공간에서의 gradient를 4배 정도의 추가 비용만으로 얻을 수 있다. 이를 바탕으로 저자들은 LSST‑like 데이터에 대해 MCMC, Hamiltonian Monte Carlo(HMC), Fisher 매트릭스 계산을 수행했으며, 기존 N5K 챌린지 우승 코드(FKEM) 대비 40배 빠른 속도와 동등한 정확도를 보였다.

SwiftCℓ은 3×2 pt 분석(갤럭시 클러스터링·광학·CMB ℓ) 전체를 하나의 인터페이스로 제공한다. 갤럭시 클러스터링에는 편향 b₁, 확대 편향 C_g, RSD(선형), PNG(f_NL)까지 포함하고, 약한 렌즈링에는 NLA 모델과 IA까지 구현한다. CMB 렌즈와 ISW도 동일한 구조로 추가돼, 다중 프로브 교차 스펙트럼을 손쉽게 계산한다.

성능 평가에서는 103개의 ℓ에 대해 120개의 스펙트럼을 5 ms(단일 GPU 코어) 내에 계산하고, gradient는 약 20 ms에 달한다. 이는 기존 CPU 기반 코드가 수초~수분 걸리던 것을 크게 앞선다. 정확도는 상대 오차 10⁻⁴ 수준으로, LSST 요구 사양을 충분히 만족한다.

전반적으로 SwiftCℓ은 (i) FFTLog‑기반 고정밀 적분, (ii) k‑보간을 통한 비선형·k‑의존 성장 처리, (iii) JAX 자동 미분을 통한 gradient‑기반 샘플링 지원이라는 세 축을 결합해, 차세대 LSS 분석에 필요한 ‘속도·정밀·미분 가능’이라는 3대 요구를 충족한다.