AI로 찾은 우주의 명확한 모습

은하 모양의 불규칙한 변화로 인한 천문 데이터에서 노이즈를 제거하는 새로운 인공 지능 (AI) 기술이 개발됐다.

슈퍼 컴퓨터 시뮬레이션에 의해 생성된 대규모 데이터에 대한 광범위한 훈련과 테스트를 거친 후, AI를 실제 천문 관측 데이터에 적용, 파생된 질량 분포가 현재 허용되는 우주 모델과 일치함을 발견했다.

이것은 현재 및 계획된 천문 조사에서 빅 데이터를 분석하기 위한 강력한 새 도구다.

광역 측량 데이터는 중력 렌즈(gravitational lensing) 패턴 측정을 통해 우주의 대규모 구조를 연구하는 데 사용할 수 있다. 중력 렌즈에서 은하단과 같은 전경 물체의 중력은 더 먼 은하와 같은 배경 물체의 이미지를 왜곡할 수 있다. “호루스의 눈”과 같은 중력 렌즈의 몇 가지 예는 분명하다.

대부분 신비한 암흑 물질(dark matter)로 구성된 대규모 구조는 멀리 떨어진 은하의 모양도 왜곡할 수 있지만 예상되는 렌즈 효과는 미묘하다. 한 지역의 많은 은하에 대한 평균화는 전경 암흑 물질 분포 지도를 만드는 데 필요하다.

그러나 많은 은하계 이미지를 보는 이 기술은 문제가 된다. 중력 렌즈에 의해 왜곡된 은하 이미지와 실제로 왜곡된 은하를 구별하기는 어렵다. 이를 형상 잡음이라고 하며 우주의 대규모 구조를 연구하는 연구에서 제한 요소 중 하나다.

잡음을 보완하기 위해 일본 천문학자 팀은 처음으로 천문 전용 슈퍼 컴퓨터 ATERUI II를 사용하여 Subaru Telescope의 실제 데이터를 기반으로 2만5,000개의 모의 은하 카탈로그를 생성했다. 그런 다음 완벽하게 알려진 인공 데이터 세트에 사실주의 노이즈를 추가하고 인공 지능을 훈련시켜 모의 데이터에서 렌즈 암흑 물질을 통계적으로 복구했다.

훈련 후 AI는 이전에는 관찰할 수 없었던 미세한 세부 사항을 복구하여 우주 암흑 물질에 대한 이해를 향상시킬 수 있었다. 그런 다음이 AI를 21 스퀘어 정도를 포함하는 실제 천문 데이터에 사용하여 팀은 표준 우주 모델과 일치하는 전경 질량 분포를 발견했다.

팀장 Masato Shirasaki는 “이 연구는 관찰, 시뮬레이션 및 AI 데이터 분석과 같은 다양한 유형의 연구를 결합할 때의 이점을 보여준다. 이 빅 데이터 시대에 우리는 전문 분야 간의 전통적인 경계를 넘어야 한다. 가능한 모든 도구를 사용하여 데이터를 이해한다. 이렇게 할 수 있다면 천문학 및 기타 과학 분야의 새로운 분야가 열릴 것”이라고 말했다.

*Masato Shirasaki et al, Noise reduction for weak lensing mass mapping: an application of generative adversarial networks to Subaru Hyper Suprime-Cam first-year data, Monthly Notices of the Royal Astronomical Society (2021). DOI: 10.1093/mnras/stab982