Celia: 우주론 시뮬레이션에서 학습한 은하 카탈로그 임베딩 모델 공개

연구진은 우주론 유체역학 시뮬레이션의 서브헤일로 및 은하 특성 카탈로그를 임베딩 벡터로 변환하는 자기지도학습 기반 파운데이션 모델 Celia(Catalog Embeddings Learned from cosmologIcal simulAtions)를 발표했다. Celia는 CAMELS의 IllustrisTNG, SIMBA, Astrid 시뮬레이션군과 그에 대응하는 N체 시뮬레이션에서 파라미터 라벨 없이 사전학습됐으며, 가려진 서브헤일로 특성을 복원하고 교사 네트워크의 표현을 예측하는 방식을 사용했다. 임베딩에 단순 선형 모델을 적용한 결과 세 시뮬레이션군 모두에서 물질밀도 Ω_m을 R²=0.999로, σ_8과 두 초신성 피드백 진폭을 R²≥0.97로 복원했다. 학습에 쓰이지 않은 Swift-EAGLE 같은 분포 외 시뮬레이션에서도 세 학습 코드로 적합한 선형 모델이 Ω_m을 상관계수 r=0.985로 예측했고, 라벨이 있는 시뮬레이션 20개로 적합한 모델은 Ω_m·σ_8·초신성 피드백 진폭에서 r≥0.94를 기록했다. 연구진은 Celia가 시뮬레이션 기반 추론과 에뮬레이션, 은하 형성 모델 비교, 물리적 축퇴 탐지 등에 쓰일 공통 좌표계를 제공한다고 설명했다.