AI VIDEO BRIEFING

우주론 머신러닝 강연 정리: 중력렌즈 암흑물질 지도, 확산 모델, 시뮬레이션 기반 추론

펜실베이니아대 세미나에서 1억 개 은하의 중력렌즈로 암흑물질을 지도화하는 방법과, 며칠 걸리던 시뮬레이션을 확산 모델·심볼릭 회귀로 대체하려는 시도, 그리고 물리학계가 신경망 결과를 의심하는 이유를 정리했다.

출처: Penn AI2025년 11월 10일AI 보조 요약

1억 개 은하로 그린 암흑물질 지도 — 우주론이 확산 모델과 딥러닝을 쓰는 법 영상 대표 이미지

핵심 메시지

암흑물질과 암흑에너지는 우주 에너지의 95% 이상을 차지하지만 중력을 통해서만 드러나기 때문에, 은하 모양이 미세하게 일그러지는 중력렌즈 효과를 통계적으로 모아 질량 분포를 역추정한다.
왜곡이 0.1% 수준으로 작아 첫 약한 렌즈 검출에는 시야 하나에 은하 33만 개가 필요했고, 지금은 1억 개 은하의 모양으로 지금까지 가장 큰 암흑물질 지도를 만든다.
이론 검증의 병목은 계산이다. 파라미터 조합마다 지도를 시뮬레이션해야 하는데 한 번에 슈퍼컴퓨터로 며칠이 걸려, 검증할 수 있는 이론의 범위 자체가 제한된다.
심볼릭 회귀로 찾은 다섯 개 파라미터 함수는 노트북으로 지도를 대량 생성할 만큼 싸고, 확산 모델은 기존 방법 대비 해상도를 다섯 배 높이면서 노이즈 관측에서 실제 장을 복원한다.
성능이 좋아도 블랙박스라는 문제는 남는다. 발표자는 동료 절반가량이 신경망에서 나온 결과를 그대로 믿지 않는다고 전하며, 해석 가능성 연구를 병행하고 있다고 밝힌다.

쉽게 이해하기

이 강연은 펜실베이니아대의 AI와 과학 세미나 시리즈에서 물리·천문학과 교수가 진행한 발표다. 주제는 은하 대규모 탐사 자료로 암흑물질을 지도화하는 방법과, 그 과정에서 머신러닝이 어디에 어떻게 들어오는지다.

빛은 직선으로 오지 않는다. 무거운 천체 곁을 지나며 경로가 휘고, 그 결과 배경 은하의 모양이 조금씩 일그러진다. 발표자는 이를 벽지에 비유한다. 사람 얼굴처럼 원래 모습을 아는 대상이 일그러지면 그 사이에 무엇이 있는지 역으로 추론할 수 있다는 것이다. 문제는 전형적인 왜곡이 0.1% 수준이고 대기가 빛을 뭉개기 때문에, 첫 검출에 시야 하나에서 은하 33만 개를 모아야 했다는 점이다. 지금은 1억 개 은하로 지도를 만든다.

이 지도가 필요한 이유는 표준 우주론 모형에 균열이 생겼기 때문이다. 우주는 예측보다 빠르게 팽창하는데 구조 성장은 예측보다 느리고, 최근에는 암흑에너지의 밀도가 우주 시간에 따라 변해 왔다는 주장이 두세 시그마 수준으로 제기됐다. 순수한 진공 에너지에서 한 발짝만 벗어나도 새로운 입자나 상호작용이 필요하기 때문에, 이 주장이 유지된다면 금세기 천체물리학 최대의 발견이 될 수 있다고 발표자는 말한다.

이론을 데이터와 견주려면 파라미터 조합마다 지도를 시뮬레이션해야 한다. 입자 1조 개를 놓고 1만 번의 시간 단계를 밟는 계산은 트리 구조와 적응 격자 같은 기법을 써도 한 번에 며칠이 걸린다. 그래서 두 갈래의 우회로가 나왔다. 하나는 가우시안 무작위장을 지수 변환한 로그정규장에서 출발해 심볼릭 회귀로 다섯 개 파라미터 함수를 찾아내는 방식으로, 노트북에서 지도 100만 장을 생성할 수 있고 앞으로 3년 안의 최고 망원경으로도 진짜 지도와 구별하기 어려운 수준이다.

다른 하나는 확산 모델이다. 시뮬레이션으로 학습한 모델이 노이즈 섞인 관측에서 실제 장을 복원했고, 30년간 쓰인 기존 방법보다 해상도가 다섯 배 높으면서 진짜 시뮬레이션보다 100배 이상 쌌다. 대신 대가가 있다. 기존 방법은 중력 외에는 아무것도 가정하지 않아 아인슈타인의 중력이 깨지지 않는 한 분포 밖으로 나갈 일이 없지만, 확산 모델은 학습한 시뮬레이션의 세계관 안에서만 믿을 수 있다.

주요 인사이트

머신러닝이 여기서 하는 일은 예측이 아니라 압축이다. 100만 픽셀짜리 지도를 열 개 남짓한 숫자로 줄인 뒤, 그 숫자를 암흑에너지의 진화 같은 물리량으로 변환한다.
요약 통계를 잘 고르는 것만으로도 성능이 크게 달라진다. 웨이블릿 기반 표현과 시뮬레이션 기반 추론을 결합하자 전통적인 2점 상관함수 대비 제약이 두 배 좁아졌고, 이는 현재 딥러닝으로 얻은 결과와 대등한 수준이다.
더 크고 표준적인 모델이 늘 낫지는 않다. 산업 표준 ResNet 대신 훨씬 작은 CNN을 직접 설계해 과적합 걱정 없이 더 나은 손실과 조금 더 좁은 등고선을 얻었고, 비전 트랜스포머도 비슷한 성능을 보였다.
물리학계의 저항은 성능이 아니라 재현과 신뢰의 문제다. 발표자는 동료 절반 정도가 신경망 결과를 자신의 방식으로 다시 확인하기 전까지 믿지 않는다고 전하면서, 이미 시뮬레이션에 의존해 온 분야인 만큼 검증 설계가 가능하다는 입장을 밝힌다.
분포 밖 검증은 이론가의 상상력에 달려 있다. 아인슈타인 중력을 깨거나 암흑에너지와 암흑물질이 상호작용하도록 만든 극단적인 시나리오를 시뮬레이션해 테스트셋으로 삼고, 이른 우주와 늦은 우주를 나눠 결과가 어디서 오는지 확인하는 표준 검사를 병행한다.

자주 묻는 질문

중력렌즈로 암흑물질 지도를 만든다는 게 무슨 뜻인가요?

무거운 물질이 시공간을 휘게 만들어 그 뒤 은하의 빛이 굽어 오고, 그 결과 은하의 모양이 미세하게 일그러집니다. 개별 렌즈를 하나씩 찾아내는 것이 아니라 수많은 은하의 왜곡을 통계적으로 모아, 3차원 격자의 각 칸에 질량 밀도가 얼마인지를 역문제로 추정하는 방식입니다.

확산 모델은 기존 방법보다 무엇이 나은가요?

시뮬레이션으로 학습한 확산 모델은 노이즈가 섞인 관측에서 실제 장을 복원하며 30년간 쓰인 방법보다 해상도가 다섯 배 높습니다. 여러 표본을 생성해 불확실성을 추정하고 평균을 낼 수 있다는 점도 장점입니다. 다만 학습한 시뮬레이션 분포를 벗어나면 신뢰하기 어렵다는 대가가 따릅니다.

머신러닝은 관측 자체에도 쓰이나요?

쓰입니다. 별처럼 점광원을 관측하면 대기 상태를 실시간으로 알 수 있는데, 방 하나 크기의 거울 뒤에 달린 액추에이터 스무 개로 거울 모양을 보정하는 적응광학 피드백에 머신러닝이 쓰입니다. 주어진 관측 시간을 넓게 훑을지 깊게 볼지 정하는 관측 계획에도 적용됩니다.

원문과 출처

이 글은 원본 영상의 자막을 바탕으로 한국어 독자를 위해 요약했습니다. 전체 맥락과 최신 정보는 원문에서 확인하세요.

YouTube 원본 영상 보기 ↗