그래프 신경망을 활용한 허브 질량 추정

현탁물-은하 연결성에 대한 이해는 암흑물질의 성질과 특성에 대한 지식을 향상시키기 위해 필수적이다. 본 연구에서는 은하가 포함하는 은하의 위치, 속도, 항성 질량 및 반지름을 바탕으로 그를 수용하는 현탁물의 질량을 추정하는 모델을 구축한다. 은하의 물리적 특성 간 상관관계와 위상공간 정보를 효과적으로 포착하기 위해, 불규칙하고 희소한 데이터에 적합하도록 설계된 그래프 신경망(GNN, Graph Neural Networks)을 사용한다. 본 모델은 우주론적 및 천체물리학적 불확실성을 고려하며, CAMELS(Cosmology and Astrophysics with MachinE Learning Simulations) 프로젝트에서 수행된 2,000개 이상의 최신 시뮬레이션의 은하 데이터를 기반으로 학습된다. 학습된 모델은 현탁물 질량을 약 0.2 dex의 정확도로 제약할 수 있다. 또한, 특정 시뮬레이션 세트에 학습된 GNN이 다른 코드로 실행되며 별개의 하위격자 물리 모델을 사용하는 시뮬레이션에 대해 테스트되었을 때에도 일부 정확도를 유지함으로써, 본 방법의 강건성(robustness)이 입증된다. GNN의 PyTorch Geometric 구현체는 GitHub에서 공개되어 있으며, 다음 링크에서 확인할 수 있다: https://github.com/PabloVD/HaloGraphNet