과학자들은 대부분의 우주를 구성하는 암흑 물질의 존재에 대해 알고 있지만 기존 우주망원경으로는 그것을 포착할 수 없었다.

인공지능(AI)은 우주 모델을 구축에 활용돼 우주가 은하들의 클러스터를 형성하는 필라멘트 구조와 함께 회전한다는 것을 밝혔다.

이들 필라멘트 구조 주변에는 아무것도 없는 영역인 빈 공간이 있다. 이는 우주 초기의 모습을 엿볼 수 있는 우주 마이크로파 배경(cosmic microwave background, CMB)를 발견하는 계기가 됐다.

우주의 대부분을 차지하는 암흑 물질과 암흑 에너지의 특성을 알기 위해서는 오늘날의 우주 구조로 진화한 과정 이해하는 것이 여전히 중요하다.

암흑 물질이 어떻게 분포돼 있는지 밝히기 위해 일본 교토대 연구팀은 천체 물리 시뮬레이션 슈퍼 컴퓨터 ‘ATERUI’와 ‘ATERUI II’를 사용해 AI 알고리즘을 개발했다.

연구팀은 세계 최대 관측소의 데이터를 ‘다크 에뮬레이터(Dark Emulator)’ AI로 계산했다. 연구원들은 기계학습(machine learning) 알고리즘으로 전체 가상 우주를 모방한 우주 구조의 기원과 진화 가능성을 연구할 수 있었다.

데이터베이스는 3년에 걸쳐 슈퍼 컴퓨터로 수집됐다. 이 연구의 수석 저자 타카리호 니시미치(Takahiro Nishimichi)는“데이터 과학에 큰 잠재력이 있다고 생각한다. 이 결과를 사용해 현대 물리학의 가장 큰 미스터리, 즉 암흑 에너지가 무엇인지 밝혀내는 데 도움이 되기를 바란다”고 말했다.

연구에서는 샘플링 된 101개의 평면 wCDM 우주 모델에 대해 20483개의 입자로 N-body 시뮬레이션을 수행했다.

특정 범위(z= [0,1.48])에서 여러 적색 편이로 추출된 헤일로(halo, 후광) 카탈로그를 사용해 헤일로 질량 함수, 헤일로-물질 교차 상관 및 헤일로 자동상관(autocorrelation)을 빠르고 정확하게 계산할 수 있는 다크 에뮬레이터를 개발했다.

헤일로 질량, 적색 편이, 분리 및 우주 모형의 기능을 탐색, 에뮬레이터 훈련에 사용되지 않는 N-body 시뮬레이션의 유효성 검사 세트를 사용해 에뮬레이터의 성능을 평가했다.

연구팀은 슬론 디지털 스카이 서베이(Sloan Digital Sky Survey)에서 CMASS 은하를 밝히는 전형적인 헤일로의 경우 에뮬레이터가 은하계-은하계 약한 렌징(weak lensing)와 관련된 헤일로-물질 간 상관을 정확도 2%이상, 후광 자기 상관(autocorrelation)은 4% 이상의 정확도로 은하 클러스터링 상관 관계를 예측했다.

연구원들은 2020년 서베이 데이터에 알고리즘을 적용하고 자연과학 또는 사회과학 등 다른 분야를 위해 도구를 개발하기를 희망한다. 연구 결과는 ‘천체물리 저널(Astrophysical Journal)’에 발표됐다.

*reference

Dark Quest. I. Fast and Accurate Emulation of Halo Clustering Statistics and Its Application to Galaxy Clustering