ROBIN-PIP: 물리 기반 사전분포를 활용한 강건한 베이지안 필드 수준 추론 기법 제안

은하 서베이에서 비선형 영역의 정보를 추출하려면 물질 분포와 관측 은하를 연결하는 은하 바이어스 관계를 더 유연하게 표현해야 하지만, 이러한 매개변수화 모델은 과매개변수화되어 개별 매개변수에 직접적인 물리적 해석이 없고 제약하기 어렵다. 연구진은 고정밀 시뮬레이션에서 도출한 물리 기반 사전분포(physics-informed priors)로 추론을 물리적으로 타당한 매개변수 공간으로 유도하는 ROBIN-PIP 프레임워크를 제시했으며, 이를 통해 경사 기반 필드 수준 추론에 직접 통합할 수 없는 시뮬레이션을 간접적으로 활용할 수 있다. 개념 검증으로 시뮬레이션 우주에 대해 우주 초기 조건과 절단 거듭제곱 법칙 은하 바이어스 모델의 매개변수를 동시에 추론하고, 이를 BORG(Bayesian Origin Reconstruction from Galaxies) 알고리즘에 통합해 시뮬레이션 기반 사전분포가 없는 경우와 비교했다. 사전분포를 추가하면 바이어스 모델 매개변수의 사후 표준편차가 최대 20% 감소하고 자기상관 길이가 730~870에서 440~550으로 줄어 유효 표본 크기가 늘어났으며, 복원된 초기 조건에서는 편향이 나타나지 않았다.