정보장 이론으로 보는 천체 데이터 분석

본 논문은 정보장 이론(IFT)을 기반으로 천문·우주학 데이터 분석에 필요한 비모수적 이미지 복원과 신호 추정 방법을 체계적으로 제시한다. IFT는 베이즈 정리를 필드 이론 형태로 재구성하여, 연속적인 신호 필드 \(s(x)\)와 유한한 데이터 집합 \(\mathbf{d}\) 사이의 관계를 해밀토니안 \(H(d,s)=-\ln P(d,s)\)와 분배함수 \(Z_d\)로 표현한다. 이를 통해 MAP, 위너 필터, Feynman 다이어그램, 리노멀라이제이션, Gibbs 자유 에너지 최소화 등 물리학에서 사용되는 다양한 수학적 도구를 직접 적용할 수 있다. 논문은 먼저 가장 단순한 선형 측정 모델 \(d = Rs + n\)을 소개하고, 신호와 잡음이 각각 가우시안 사전 \(G(s,S)\)와 \(G(n,N)\)을 갖는 경우 위너 필터 해가 정확히 구해짐을 보여준다. 그러나 실제 상황에서는 신호 공분산 \(S\), 잡음 공분산 \(N\), 혹은 응답 연산자 \(R\) 자체가 불확실한 경우가 많다. 이를 파라미터 벡터 \(\mathbf{p}\)로 묶어 \(\mathbf{p}\)에 대한 사전과 데이터에 대한 결합 확률을 적분함으로써 마진화된 해밀토니안을 얻지만, 이 경우 직접적인 MAP 해는 편향이 크다. 따라서 경험적 베이즈(Empirical Bayes) 접근법을 채택한다. 여기서는 \(\mathbf{p}\)의 사후 분포 \(P(\mathbf{p}|d)\)를 최대화해 점 추정치 \(\mathbf{p}^\star\)를 얻고, 이를 고정한 뒤 신호 사후 평균 \(m = \langle s\rangle_{P(s|d,\mathbf{p}^\star)}\)를 계산한다. 특히 신호 공분산이 알려지지 않은 경우, 통계적 균질성을 가정해 Fourier 공간에서 대각화된 스펙트럼 \(P_s(k)\)를 추정한다. 여기서는 ‘인지 임계값(perception threshold)’이라는 개념을 도입한다. 일반적인 MAP 스펙트럼 추정은 데이터 분산이 잡음 수준보다 충분히 클 때만 신호를 감지할 수 있어, 실제 신호가 약한 경우에 큰 손실을 초래한다. 논문은 파라미터 \((\delta,\epsilon)\)를 도입해 다양한 스펙트럼 추정기를 정의하고, \((\delta,\epsilon)=(1,0)\)인 ‘임계 필터(critical filter)’가 임계값을 최소화함을 보인다. 또한 PURE(Parametric Uncertainty Renormalized Estimator) 필터는 \((\delta,\epsilon)=(1,-\rho/(2\rho+4))\)로, 잡음보다 낮은 데이터 분산에서도 정보를 추출하도록 설계되었다. 잡음 공분산이 불확실한 경우에는 역감마 사전 \(P(\eta)\propto \prod_i \eta_i^{-\beta_i} e^{-r_i\eta_i}\)를 사용해 각 잡음 블록 \(\eta_i\)를 동시에 추정한다. 이때 얻어지는 식은 \(\eta_i^\star = r_i + \frac12 \mathrm{Tr}\big