천체물리학자가 코덱스로 블랙홀 시뮬레이션을 돕는 방법

블랙홀 주변의 중력은 너무나 강력해서, 충분히 가까워지면 빛조차도 빠져나올 수 없어요. 치콴 찬 박사 같은 천체물리학자들은 컴퓨터 시뮬레이션과 관측을 통해 블랙홀을 연구하고 있어요. 하지만 현재의 알고리즘과 컴퓨팅 능력으로는 시뮬레이션의 현실성이 제한될 수밖에 없죠.

애리조나 대학 스튜어드 천문대의 연구원인 찬 박사는 코덱스의 도움을 받아 이 문제에 도전하고 있어요.

찬 박사는 블랙홀이 아인슈타인의 일반 상대성 이론을 검증하기에 가장 좋은 장소 중 하나라고 말했어요. 이 이론은 현재 우리가 중력을 설명하는 가장 좋은 방법인데요, 중력을 물체를 끌어당기는 힘으로 보는 대신, 질량과 에너지가 시공간의 직물을 휘게 함으로써 발생하는 현상으로 설명하죠.

찬 박사는 2019년에 최초의 블랙홀 이미지를 공개했던 국제 협력 프로젝트인 이벤트 호라이즌 망원경(EHT) 팀의 일원이에요. 이 팀은 지금 초거대 블랙홀의 첫 번째 영상을 만들기 위해 관측 데이터를 모으고 있는데, M87 은하 중심에 있는 블랙홀에 초점을 맞추고 있어요.

하지만 관측 데이터를 과학적 이해로 바꾸려면 엄청난 양의 데이터 처리, 대규모 컴퓨팅 작업 흐름, 그리고 우주에서 가장 극한 물리 현상을 모델링할 수 있는 시뮬레이션이 필요해요.

빛은 블랙홀에서 벗어날 수 없기 때문에, 과학자들은 대신 블랙홀 주변의 '사건의 지평선'이라고 불리는 영역을 연구해요. 이 경계 너머로는 물질도 탈출할 수 없죠. 찬 박사는 “돌아올 수 없는 지점”이라고 설명했어요. 이 경계 바로 바깥에서 소용돌이치는 물질은 빛을 방출하고, 천체물리학자들은 이 빛을 보고 측정하며 시뮬레이션할 수 있어요.

EHT가 2019년에 공개했던 이미지는 사건의 지평선 근처에서 빛나는 플라즈마에 둘러싸인 블랙홀의 그림자를 보여줬어요. 찬 박사는 이 팀이 관측 데이터를 해석하는 데 사용했던 시뮬레이션 및 컴퓨팅 도구를 개발하는 데 일조했죠. 그 이후로 찬 박사와 동료들은 팀이 정지 이미지에서 비디오로 나아가면서 장비와 관측 능력을 계속해서 개선해 왔어요.

초고속 컴퓨터 시뮬레이션으로 만든 짧은 비디오인데요, 우리 은하 중심 블랙홀 주변에서 플라즈마가 움직이는 모습을 보여주고 있어요.

출처: EHT 이론 작업 그룹 / 치콴 찬

점점 꼬이는 문제 마주하기

찬 박사와 연구팀에게 가장 큰 난관 중 하나는 블랙홀 주변의 플라즈마를 모델링하는 일이에요. 플라즈마는 전기적으로 대전된 전자와 이온으로 이루어진 초고온 물질이죠.

많은 시뮬레이션에서 과학자들은 플라즈마를 유체처럼 취급해서 블랙홀 주변의 움직임을 모델링하는 잘 알려진 방정식들을 사용하며 단순화해요. 이 방법은 전자와 이온이 끊임없이 충돌하는 밀도 높은 플라즈마에서는 꽤 잘 작동하고요.

하지만 찬 박사와 동료들이 연구하는 초거대 블랙홀 근처의 어떤 영역에서는 플라즈마가 너무 뜨겁고 희박해져서 입자들이 서로 거의 부딪히지 않아요. 찬 박사는 “입자들이 실제로는 서로 충돌하지 않아요”라고 말했어요. 대신 입자들은 대부분 자기장 선을 따라 나선형으로 움직이죠.

이런 움직임을 정확하게 모델링하려면, 연구자들은 수조 개의 전자와 이온이 블랙홀 주변을 빠르게 나선형으로 움직이는 것을 추적해야 해요. 표준 시뮬레이션은 모든 작은 회전을 계산해야만 하고, 이 때문에 컴퓨터는 극도로 짧은 시간 간격으로 계산을 수행해야 하죠.

결과적으로 세계에서 가장 빠른 슈퍼컴퓨터조차도 과학자들이 실제로 연구하고 싶어 하는 더 큰 규모의 행동을 시뮬레이션하는 대신, 이런 미세한 입자 움직임을 계산하는 데 대부분의 시간을 보내게 돼요.

찬 박사는 “수십 년 동안 이 문제 때문에 블랙홀 플라즈마를 얼마나 현실적으로 시뮬레이션할 수 있을지가 제한되어 왔어요”라고 말했어요.

AI를 활용해서 더 나은 디지털 트윈 만들기

찬 박사는 새로운 수학적 기법이 이런 한계 중 일부를 극복하는 데 도움이 될 수 있다고 생각했어요. 기본적인 아이디어는 시뮬레이션이 입자 움직임을 추적하는 방식을 수학적으로 바꿔서, 컴퓨터가 더 이상 모든 작은 나선형 움직임을 직접 추적할 필요가 없도록 하는 것이었죠.

찬 박사는 “하지만 모든 수학적 가능성을 손으로 탐색하는 것은 엄청난 시간이 걸렸을 거예요”라고 말했어요. 그래서 그는 후보 알고리즘을 도출하고 알려진 해법과 비교하여 테스트하는 데 코덱스의 도움을 받았어요.

코덱스는 많은 잠재적인 접근 방식을 생성했는데, 물론 모든 방식이 정확한 건 아니었어요. 찬 박사는 “하지만 괜찮아요”라고 말했어요. “대부분의 과학적 아이디어는 실패하거든요. 중요한 건 이런 알고리즘들이 테스트 가능하다는 점이죠. 일단 작동하는 것을 찾아내면, 이전에는 불가능했던 시뮬레이션을 가능하게 할 수도 있어요.”

일부 AI 시스템은 결론을 도출하는 데 사용한 단계를 보여주지 않고 결과를 반환하기도 해요. 하지만 찬 박사 연구팀은 코덱스를 활용해 직접 검토하고 테스트하며 물리적으로 이해할 수 있는 수치 계산 방식을 제안하고 구현해요.

대규모 언어 모델(LLM)은 여전히 실수를 하고, 많은 과학자들은 연구에 AI를 사용하는 것에 대해 여전히 신중한 태도를 보여요. 하지만 찬 박사는 과학적 아이디어가 엄격하게 테스트될 수 있기 때문에 과학이야말로 오늘날 AI 시스템에 가장 적합한 용도 중 하나라고 믿고 있어요.

그는 “우리는 아인슈타인이나 뛰어난 학생, 혹은 AI 모델에서 나온 아이디어라고 해서 무조건 받아들이지 않아요”라고 말했어요. “우리는 반복적인 테스트를 거친 후에야 그 아이디어를 받아들이죠.”

찬 박사는 AI를 연구자들이 더 많은 아이디어를 탐색하고, 더 빠르게 테스트하며, 검증과 재현성을 바탕으로 발견을 가속화하는 데 도움을 주는 도구로 보고 있어요.

만약 찬 박사가 코덱스로 테스트 중인 접근 방식이 성공한다면, 새로운 알고리즘들은 궁극적으로 과학자들이 블랙홀 주변의 수조 개의 입자를 시뮬레이션할 수 있게 해줄 거예요. 이는 수십 년 동안 연구자들이 접근하지 못했던 물리학 분야를 연구할 수 있도록 만들겠죠.