10차원 신경망 물질 전력 스펙트럼 에뮬레이터

초록

GokuNEmu는 10개의 우주론적 매개변수를 포괄하는 신경망 기반 에뮬레이터로, 0 ≤ z ≤ 3 및 0.006 ≤ k ≤ 10 h Mpc⁻¹ 범위에서 비선형 물질 전력 스펙트럼을 평균 0.5 % 수준의 정확도로 예측한다. 2 ms 이하의 추론 속도로 LSST, Euclid, Roman, CSST 등 차세대 대규모 구조 조사에 즉시 적용 가능하다.

상세 분석

GokuNEmu는 기존의 Gaussian Process(GP) 기반 에뮬레이터가 갖는 차원 저주와 높은 계산 비용을 극복하기 위해 설계된 전형적인 딥러닝 접근법이다. 핵심은 다중정밀도(MF) 전략을 활용한 시뮬레이션 데이터셋이다. 저해상도(LF) 시뮬레이션 1128쌍과 고해상도(HF) 시뮬레이션 36개를 결합해 파라미터 공간을 효율적으로 탐색하고, LF와 HF 사이의 편향을 학습하는 2단계 신경망 구조를 채택했다. 첫 단계는 LF 데이터를 직접 매핑해 대략적인 전력 스펙트럼을 생성하고, 두 번째 단계는 LF 출력과 HF 출력의 비율을 학습해 정밀도를 보정한다. 이러한 설계는 파라미터 차원이 10에 달하는 고차원 공간에서도 과적합을 방지하면서 빠른 수렴을 가능하게 한다.

하이퍼파라미터 최적화는 베이지안 최적화 기법을 두 단계에 걸쳐 수행했으며, 레이어 수, 뉴런 수, L2 정규화 강도 등을 탐색했다. 최종 모델은 완전 연결 신경망(FCNN)으로, 각 레드시프트와 k‑범위에 대해 별도 학습된 두 개의 서브 에뮬레이터(Emu1, Emu2)를 시그모이드 가중치 함수를 이용해 부드럽게 결합한다. 이때 전이 구간(k = 0.025–1.5 h Mpc⁻¹)에서의 연속성을 보장하기 위해 스케일링 파라미터 s = 4를 선택했으며, 이는 검증 오류를 최소화한다.

성능 평가는 Leave-One-Out Cross Validation(LOOCV)으로 수행했으며, Goku‑W(넓은 사전)에서는 평균 상대 절대 오차(rMAE) 0.45 %를, Goku‑N(좁은 사전)에서는 0.18 %를 기록했다. 이는 기존 GokuEmu(GP 기반)의 2.92 % 대비 크게 개선된 수치이며, 특히 작은 스케일(k ≳ 2 h Mpc⁻¹)과 낮은 레드시프트(z = 0)에서 오류가 현저히 감소했다. 추론 속도는 노트북(M3 칩)에서 2 ms 이하로, EE2(≈300 ms)와 CSST 에뮬레이터(≈15 ms)보다 각각 2~3 주문 규모 빠르다.

과학적 의미 측면에서 GokuNEmu는 동적 암흑에너지 파라미터(w₀, wₐ)와 중성미자 질량(∑m_ν) 등 확장 모델을 넓은 사전 범위(예: w₀ ∈