천문·천체물리
라그랑주 신경 셀룰러 오토마타(LNCA)로 우주 거대구조 형성 에뮬레이션
은하 서베이에서 우주 초기 조건을 필드 수준으로 추론하려면 비선형 영역에서도 정확하면서 계산 효율적이고 완전히 미분 가능한 전방 모델이 필요하지만, N체 시뮬레이션은 계산 비용이 크고 라그랑주 섭동이론(LPT) 같은 근사 해법은 후기 우주 거대구조의 헤일로 형성 역학을 제대로 담지 못한다. 연구진은 구조 형성을 동시운동(comoving) 격자 위의 국소적·반복적 동역학 과정으로 에뮬레이션하는 하이브리드 딥러닝 프레임워크 '라그랑주 신경 셀룰러 오토마타(LNCA)'를 제안했다. LNCA는 고정 격자를 한 번에 매핑하는 합성곱 기반 에뮬레이터와 달리 라그랑주 좌표계에서 작동하며 계산 그래프 자체를 이류시켜 질량의 흐름을 따라가고, 젤도비치 근사에 대한 잔차 변위 보정만 학습해 대규모 스케일의 정확도를 보장하면서 비선형 물리를 고정밀로 재현한다. 또한 등변(equivariant) 셀룰러 오토마타 구조를 채택해 최종 상태뿐 아니라 전체 궤적을 생성하도록 했으며, 갱신 규칙은 단일 고정 이웃에 작용하고 병진·회전 등변성을 가져 라이트콘 데이터로부터 우주 초기 조건을 복원하는 미분 가능 전방 모델이 된다. 모델은 Quijote 시뮬레이션 세트의 다양한 적색편이와 우주론 조건에서 얻은 실공간 물질 분포를 초기 조건만으로 에뮬레이션하도록 학습됐다.
arXiv astro-ph.IM (관측기기)