스위프트 BAT 트리거 알고리즘을 머신러닝으로 고속 모사하고 장거리 GRB 발생률을 베이지안 추정

스위프트 위성의 버스트 알림 텔레스코프(BAT)는 장거리 감마선 폭발(GRB)을 탐지하기 위해 500여 개의 레이트 트리거 기준과 별도의 이미지 트리거를 동시에 운영한다. 이러한 복합적인 트리거 로직은 검출 임계값을 정확히 파악하기 어렵게 만들며, 특히 고적색편이(z > 5) 영역에서의 선택 효과를 정량화하는 데 큰 장애가 된다. Lien et al. (2014)은 BAT 트리거 과정을 상세히 시뮬레이션하는 코드를 제공했지만, 개별 GRB당 10 초에서 몇 분이 소요돼 대규모 파라미터 탐색에는 비효율적이다. 본 논문은 이러한 문제를 해결하고자 머신러닝(ML) 기반의 고속 에뮬레이터를 개발했다. 먼저 Lien et al. (2014) 시뮬레이션에서 생성된 10⁵ 건 이상의 GRB 데이터를 훈련·검증용으로 활용했으며, 각 GRB는 15개의 입력 피처(피크 플럭스, 지속시간, 스펙트럼 파라미터, 탐지각 위치, 배경 레벨 등)와 실제 BAT 트리거 결과(검출 여부)로 라벨링되었다. 다음으로 네 가지 대표적인 지도학습 알고리즘을 적용했다. 1. **랜덤 포레스트(RF)**: 부트스트랩 샘플링과 무작위 피처 선택을 통해 수백 개의 결정 트리를 구축하고, 투표 방식으로 최종 확률을 산출한다. 2. **AdaBoost**: 약한 결정 트리를 순차적으로 학습시키며, 이전 단계에서 오분류된 샘플에 가중치를 부여해 전체 성능을 향상시킨다. 3. **지원 벡터 머신(SVM)**: RBF(가우시안) 커널을 사용해 비선형 경계면을 학습하고, 5‑fold 교차검증으로 C와 γ 하이퍼파라미터를 최적화한다. 4. **인공신경망(ANN)**: 다층 퍼셉트론 구조를 채택해 입력 피처와 출력(검출 확률) 사이의 복잡한 비선형 관계를 모델링한다. 모델 학습 후, 정확도, 정밀도, 재현율, ROC‑AUC 등 다양한 지표를 통해 성능을 평가했다. RF와 AdaBoost가 가장 높은 정확도(≈ 97 %)와 AUC(≈ 0.99)를 기록했으며, SVM과 ANN도 95 % 수준의 정확도를 보였다. 특히, 단순 플럭스 임계값을 이용한 전통적 방법은 89.6 % 정확도에 머물렀다. 훈련된 모델을 이용해 적색편이 z에 따른 검출 효율 ε(z)를 추정했다. ε(z)는 각 z 구간에서 10⁴ 개의 시뮬레이션 GRB에 대해 모델이 예측한 검출 확률의 평균으로 정의되며, 고‑z에서 효율이 급격히 감소하는 것을 확인했다. 이 검출 효율은 이후 베이지안 파라미터 추정 단계에서 선택 함수로 사용된다. 베이지안 분석에서는 GRB 발생률을 두 개의 파워‑로우 지수 n₁, n₂와 전이점 z₁을 갖는 조각별 함수 형태로 모델링했다. 구체적으로 R(z) = n₀ · (1 + z)^{n₁} (z < z₁) R(z) = n₀ · (1 + z₁)^{n₁‑n₂} · (1 + z)^{n₂} (z ≥ z₁) 형식을 채택하였다. 사전분포는 넓은 비정보적 형태를 사용했으며, 관측된 적색편이 분포와 ε(z)를 결합한 우도 함수를 MCMC(메트로폴리스‑헤이스팅스)로 샘플링했다. 결과는 다음과 같다. - 지역 발생률 n₀ ≈ 0.48 Gpc⁻³ yr⁻¹ (불확실성 +0.41/‑0.23) - 저‑z 파워‑로우 지수 n₁ ≈ 1.7 ( +0.6/‑0.5) - 고‑z 파워‑로우 지수 n₂ ≈ ‑5.9 ( +5.7/‑0.1) - 전이점 z₁ ≈ 6.8 ( +2.8/‑3.2) 이 파라미터들은 기존 연구에서 제시된 고‑z GRB 발생률 과잉 현상을 완화하면서도, 여전히 높은 z ≈ 7 ~ 9 영역에서 비록 검출 효율이 낮지만 의미 있는 GRB 수가 존재함을 시사한다. 논문은 또한 코드와 훈련된 모델을 GitHub(https://github.com/PBGraff/SwiftGRB_PEanalysis)에서 공개함으로써 재현 가능성을 높였으며, 향후 BAT 외 다른 감지기의 트리거 모델링, 다중 파라미터를 포함한 복합 선택 함수 구축, 그리고 실제 비검출 사건을 포함한 반감독 학습 등 다양한 확장 가능성을 제시한다. 현재 한계는 시뮬레이션 데이터가 Lien et al. (2014)의 가정에 크게 의존한다는 점과, 관측된 적색편이 결손을 완전히 보정하지 못한다는 점이다. 향후 연구에서는 베이지안 신경망을 통한 불확실성 정량화와, 실제 관측 데이터와 시뮬레이션을 결합한 하이브리드 학습이 필요할 것으로 보인다.