중차원 베이지안 추론을 이용한 중력렌즈 서브구조 분석

본 논문은 강중력렌즈 이미지에서 어두운 서브구조(다크 서브클럼프)의 존재와 특성을 추정하기 위한 새로운 베이지안 프레임워크를 제시한다. 기존 방법들은 매끄러운 렌즈 모델에 비정형 보정항을 추가하거나, 보정항을 기반으로 서브구조 후보를 선택한 뒤 별도 파라미터화된 “블롭”을 삽입하는 두 단계 접근법을 사용해 왔다. 저자들은 이러한 복잡한 절차를 하나의 통합 모델로 단순화하고, 서브구조 수 자체를 불확정성 변수로 취급하는 전이 차원(trans‑dimensional) 베이지안 추론을 도입한다. 핵심 아이디어는 소스와 렌즈를 각각 비음수, 유한 지지의 “블롭”들의 합으로 표현하는 것이다. 블롭은 2차원 역포물선 형태의 함수로, 중심에서 최대값 A를 갖고 반경 w까지 선형적으로 감소한다. 이 형태는 가우시안보다 계산이 빠르고, 지원 영역이 제한돼 이미지 전체에 걸친 연산 비용을 크게 절감한다. 소스 블롭은 표면 밝기, 렌즈 블롭은 표면 질량 밀도로 사용되며, 각각의 블롭 파라미터는 (x, y, A, w) 혹은 (x, y, M, v) 로 정의된다. 블롭 수 N_src, N_lens는 사전적으로 0에서 100 사이로 제한하지만, 실제 샘플링 과정에서 가역점프 MCMC(reversible‑jump MCMC, RJMCMC)를 통해 동적으로 추가·제거된다. 모델의 사전분포는 계층적으로 설계되었다. 블롭 위치는 중심 좌표(x_c, y_c) 주변의 원형 지수분포와 균등 각도분포를 결합한 형태이며, 이는 블롭이 이미지 중심에 모여 있을 가능성을 반영한다. 블롭의 질량·플럭스와 폭은 로그‑균등 혹은 Cauchy 형태의 초파라미터(예: μ_M, σ_M)로부터 샘플링되며, 이러한 초파라미터 자체가 서브구조 질량 함수의 스케일과 형태를 직접 기술한다. 따라서 사후에서 초파라미터의 분포를 조사함으로써 질량 함수에 대한 과학적 질문에 바로 답할 수 있다. 렌즈의 매끄러운 성분은 전통적인 Singular Isothermal Ellipsoid + 외부 전단(SIE+γ) 모델을 사용한다. 이 모델은 9개의 파라미터(b, q, x_c, y_c, θ, γ, θ_γ 등)로 정의되며, 블롭과 선형적으로 합쳐 전체 렌즈 질량 분포를 만든다. 블롭에 대한 변위각(α_x, α_y)은 단순한 다항식 형태로 계산돼, 복잡한 수치 적분 없이 빠르게 렌즈 방정식을 풀 수 있다. 샘플링 엔진은 Brewer가 개발한 RJObject C++ 라이브러리를 활용한다. RJObject는 가역점프 연산과 Diffusive Nested Sampling(DNS)을 결합해, 차원 변화가 있는 모델 공간을 효율적으로 탐색하고, 정확한 주변가능도(marginal likelihood)를 제공한다. DNS는 온도 스케줄링을 통해 다중모드 후방분포를 탐색하면서도 모델 증거를 동시에 계산하므로, 서로 다른 블롭 수 모델 간의 베이지안 모델 비교가 가능하다. 시뮬레이션 실험에서는 (1) 단일 서브구조가 포함된 이미지와 (2) 10개의 서브구조가 포함된 이미지를 생성하고, 제안된 프레임워크를 적용했다. 결과는 사후에서 블롭 수, 위치, 질량이 실제값과 일치함을 보여주며, 특히 10개 서브구조 경우에도 과도한 복잡성을 피하면서 적절히 블롭을 추가·제거하는 모습을 확인했다. 이는 전이 차원 MCMC가 모델 차원 불확정성을 효과적으로 다룰 수 있음을 증명한다. 실제 데이터 적용으로는 “Cosmic Horseshoe” 시스템의 g‑밴드 이미지를 사용했다. 사후 분석에서는 0보다 큰 서브구조 수가 지지되었지만, 회복된 블롭들은 비정상적으로 큰 폭(v)을 가지고 있었다. 이는 모델이 실제 렌즈의 매끄러운 질량분포(예: SPEMD, 다중 전단)나 정확한 PSF를 충분히 설명하지 못해, 잔차가 블롭 형태로 흡수된 결과로 해석된다. 따라서 서브구조 검출 결과는 모델 미스스펙에 민감함을 강조한다. 논문의 결론은 다음과 같다. (1) 블롭 기반 혼합 모델은 소스와 렌즈를 비정형적으로 표현하면서도 비음수와 공간적 상관성을 자연스럽게 반영한다. (2) 계층적 사전으로 서브구조 질량 함수 자체를 직접 추정할 수 있다. (3) RJMCMC와 DNS를 결합한 전이 차원 베이지안 샘플링은 차원 불확정성을 포함한 복잡한 모델 공간을 효율적으로 탐색하고, 모델 증거를 제공한다. 향후 연구 방향으로는 더 현실적인 매끄러운 렌즈 모델(SPEMD, 다중 전단), 다밴드 데이터 통합, 그리고 여러 렌즈 시스템에 대한 집단적 질량 함수 추정이 제시된다.