기계학습과 SHAP 해석을 통한 고적색편이 최대 밝은 은하단 은하(BCG) 항성질량 결정 요인 분석

이림 (한국외국인학교)

• 참고: 해당 발표자료는 강연자의 요청에 따라 제공되지 않습니다.

은하가 항성질량을 형성하고 축적하는 과정은 은하 내부의 별 생성과 병합을 통한 외부 물질 축적의 균형과 본질적으로 연결되어 있다. 그러나 이러한 물리적 형성 경로가 해석 가능한 머신러닝을 통해 어느 정도까지 복원될 수 있는지는 아직 충분히 정량화되지 않았다. 본 연구는 적색편이 z = 3에서의 IllustrisTNG-Cluster 유체역학 시뮬레이션을 활용하여, 헤일로 규모 및 바리온 물리량만으로 중심은하의 항성질량을 정확하게 예측할 수 있는지를 분석하였다. 이를 위해 50개의 중심은하 표본을 구성하고, 헤일로 질량, 별 생성률, 금속함량, 반질량 반경, 가스 분율, ex-situ 항성질량, in-situ 항성질량의 7개 물리 변수를 추출하였다. 이후 Decision Tree, Gradient Boosted Trees, Linear Regression, Nearest Neighbors, Neural Network, Random Forest, Gaussian Process를 포함한 다양한 회귀 알고리즘을 비교하는 벤치마킹 프레임워크를 구축하였으며, 40개 은하를 학습용, 10개 은하를 검증용으로 사용하는 방식으로 성능을 평가하였다. R^2 지표를 기반으로 모델 성능을 비교한 결과, Linear Regression이 가장 높은 예측 정확도를 보였고, 예측값은 실제 중심 항성질량과 거의 완벽한 수준의 일치를 나타냈다. 또한 모델의 물리적 의미를 해석하기 위해 SHAP(SHapley Additive exPlanations) 값을 활용하여 변수 중요도를 정량화하였다. 그 결과, in-situ 및 ex-situ 항성질량이 예측을 지배하는 핵심 변수로 나타났으며, 가스 분율, 금속함량, 별 생성률과 같은 다른 변수들은 상대적으로 제한적인 기여를 보였다. 이는 해당 적색편이 구간에서 중심은하의 항성질량이 복잡한 비선형 과정보다는 물리적으로 해석 가능한 선형적 질량 구성 관계에 의해 주로 결정됨을 시사한다. 더 나아가 본 연구는 해석 가능한 머신러닝이 우주론적 시뮬레이션 데이터로부터 높은 예측 정확도뿐 아니라 은하 질량 형성의 근본적인 물리 구조까지도 효과적으로 복원할 수 있음을 보여준다.