Python을 활용한 천체물리학과 AI: 스펙트럼 선과 적색편이의 비밀 풀기

우주는 빛의 교향곡이지만, 맨눈으로 보기에는 종종 정적인 그림처럼 보입니다. 별은 점이고, 은하는 흐릿한 조각들입니다. 하지만 그 빛 안에는 풍부하고 역동적인 이야기, 즉 천체의 구성 성분이 무엇인지, 온도가 얼마나 높은지, 그리고 가장 중요하게는 우리로부터 얼마나 빨리 멀어지고 있는지를 정확히 알려주는 우주의 지문이 숨겨져 있습니다.

이것이 바로 천문학자들에게 가장 필수적인 도구인 **분광학 (spectroscopy)**의 힘입니다. 빛을 구성 파장으로 분해함으로써, 우리는 단일 광자 빔을 상세한 데이터 세트로 변환합니다. 이 가이드에서는 스펙트럼 분석의 이론적 기초, 적색편이 (redshift)의 물리학, 그리고 여러분의 컴퓨터에서 우주의 팽창을 계산할 수 있는 Python "항성 속도계 (Stellar Speedometer)"를 구축하는 방법을 탐구할 것입니다.

우주의 지문: 방출선과 흡수선

분광학의 핵심은 양자 역학 (quantum mechanics)에 기반합니다. 원자 주위를 궤도하는 전자들은 특정 에너지 준위에서만 존재할 수 있습니다. 전자가 이러한 준위 사이를 이동할 때, 반드시 해당 준위 차이와 정확히 일치하는 에너지를 가진 광자를 흡수하거나 방출해야 합니다.

에너지는 파장과 관련이 있기 때문에 ( E=hc/λ ), 모든 원소는 빛을 흡수하거나 방출하는 고유하고 변하지 않는 "정지 파장 (rest wavelengths, λrest)" 세트를 가집니다.

방출선 (Emission Lines): 성운과 같이 뜨겁고 희박한 가스가 들떠 있을 때, 전자들이 다시 낮은 준위로 떨어지면서 특정 파장의 광자를 방출하여 스펙트럼에 밝은 스파이크를 생성합니다.
흡수선 (Absorption Lines): 뜨거운 광원(별의 핵과 같은)에서 나온 빛이 더 차가운 가스를 통과할 때, 가스가 특정 파장을 흡수하여 어두운 골을 남깁니다.

관측된 패턴을 알려진 실험실 데이터와 일치시킴으로써, 우리는 수십억 광년 떨어진 별의 화학적 조성을 식별할 수 있습니다.

도플러 효과: 사이렌에서 별까지

패턴이 천체의 '무엇'인지를 알려준다면, 패턴의 위치는 천체가 '어디로' 가고 있는지를 알려줍니다. 이는 구급차 사이렌이 여러분을 지나갈 때 음조가 변하는 것과 동일한 현상인 도플러 효과 (Doppler effect)에 의해 지배됩니다.

청색편이 (Blueshift): 물체가 우리를 향해 다가올 경우, 빛의 파장이 압축됩니다. 관측된 파장 ($\lambda_{obs}$)은 정지 파장보다 짧아지며, 스펙트럼이 푸른색 쪽으로 이동합니다.
적색편이 (Redshift): 물체가 우리로부터 멀어질 경우, 빛의 파장이 늘어납니다. 관측된 파장이 더 길어지며, 스펙트럼이 붉은색 쪽으로 이동합니다.

우리는 무차원 매개변수 $z$를 사용하여 이 이동을 정량화합니다:

$z = \frac{\lambda_{obs} - \lambda_{rest}}{\lambda_{rest}}$

가까운 천체의 경우, 적색편이에 광속을 곱하는 것만으로 간단히 속도를 계산할 수 있습니다 ($v \approx c \cdot z$). 하지만 광속의 상당 부분에 해당하는 속도로 움직이는 먼 은하의 경우에는 정확성을 보장하기 위해 전체 상대론적 공식 (relativistic formula)을 사용해야 합니다.

선 프로파일 분석 (Line Profile Analysis): 중심 찾기

이상적인 세계라면 스펙트럼 선은 무한히 얇은 스파이크 형태일 것입니다. 하지만 실제로는 열 운동 (thermal motion)과 충돌로 인해 선이 **프로파일 (profile)**이라 불리는 형태로 넓어집니다. 노이즈가 섞인 데이터 속에서 정확한 중심 파장 ($\lambda_{obs}$)을 찾기 위해, 우리는 데이터에 수학적 함수를 피팅 (fitting)합니다:

가우시안 (Gaussian): 순수한 열적 확장 (표준 종 모양 곡선)을 모델링합니다.
로렌츠 (Lorentzian): 압력 확장 (두꺼운 날개 모양, 천천히 감소함)을 모델링합니다.
보이트 프로파일 (Voigt Profile): 표준 모델 (gold standard)입니다. 이는 가우시안 프로파일과 로렌츠 프로파일의 합성곱 (convolution)으로, 항성 대기의 복잡한 물리학을 나타냅니다.

이 피팅 과정은 본질적으로 최적화 문제 (optimization problem)입니다. 우리가 신경망 (neural networks)을 훈련할 때 경사 하강법 (gradient descent)을 사용하는 것과 마찬가지로, 수학적 모델과 관측된 데이터 사이의 차이를 최소화하여 실제 $\lambda_{obs}$를 추출하기 위해 비선형 최소제곱 피팅 (non-linear least-squares fitting, 예: scipy.optimize.curve_fit)을 사용합니다.

Python 구현: 항성 속도계 (The Stellar Speedometer)

이론을 실습에 적용해 봅시다. 다음 Python 스크립트는 "항성 속도계" 역할을 합니다. 우리는 먼 은하에서 오는 유명한 H-alpha 방출선 (정지 파장: 6563.0 Å)을 관측하는 상황을 시뮬레이션하고, 그 후퇴 속도를 계산할 것입니다.

import numpy as np

# 1. 우주 상수 정의
...

코드 분석

상수 및 입력값 (Constants & Inputs): 빛의 속도와 H-alpha 정지 파장(6563.0 Å)을 정의합니다. lambda_observed는 우리의 원시 데이터 포인트를 나타냅니다.
적색편이 계산 (The Redshift Calculation): $z = (\lambda_{obs} - \lambda_{rest}) / \lambda_{rest}$ 공식을 적용합니다. 양수 $z$는 은하가 후퇴하고 있음을 확인해 줍니다.
속도 변환 (Velocity Conversion): $z$에 $c$를 곱하여 물리적 속도를 구합니다. 우리의 예시에서 은하는 약 30,000 km/s의 속도로 멀어지고 있습니다.
상대론적 주의사항 (Relativistic Warning): 코드는 속도가 유의미한 수준인지 확인합니다. 만약 우리가 적색편이 $z=1$인 퀘이사 (Quasar)를 관측하고 있다면, 단순한 $v = c \cdot z$ 공식은 무너지게 되며, 스크립트에 포함된 상대론적 보정 (Relativistic correction)이 필요할 것입니다.

결론 (Conclusion)

분광학 (Spectroscopy)은 가공되지 않은 별빛과 물리적 이해 사이를 잇는 가교입니다. 방출선 (Emission lines)의 이동을 분석함으로써 우리는 먼 은하의 속도를 측정할 수 있습니다. 이러한 속도를 허블 법칙 ($v = H_0 \cdot D$)과 결합하면 우주 자체의 팽창을 지도화할 수 있습니다.

노이즈가 섞인 데이터에 가우시안 곡선 (Gaussian curve)을 피팅하든, 퀘이사의 상대론적 속도를 계산하든, 천체물리학과 Python의 결합은 우주의 숨겨진 메시지를 해독할 수 있는 도구를 제공합니다.

함께 토론해 봅시다 (Let's Discuss)

빛의 한계: 만약 우리가 적색편이 $z=10$인 은하를 발견한다면, 왜 우리의 단순한 비상대론적 속도 계산 ($v = c \cdot z$)이 완전히 무효가 될까요? 그렇게 높은 적색편이는 우리와 그 은하 사이의 공간에 대해 물리적으로 무엇을 암시할까요?
분광학에서의 AI: 현대의 망원경은 매일 밤 테라바이트 단위의 스펙트럼 데이터를 생성합니다. 본문에서 언급된 보이트 프로파일 (Voigt profiles)을 피팅하는 데 사용되는 것과 같은 머신러닝 (Machine learning) 알고리즘이 수동 분석과 비교했을 때 외계 행성 대기 탐지의 속도나 정확도를 어떻게 향상시킬 수 있다고 생각하시나요?

여기에서 보여주는 개념과 코드는 전자책 Astrophysics & AI: Building Research Agents for Astronomy, Cosmology, and SETI에 제시된 포괄적인 로드맵에서 직접 가져온 것입니다. 해당 전자책은 여기에서 확인하실 수 있습니다. python, typescript, swift, c#을 활용한 다른 50권의 Programming & AI 전자책은 여기에서 확인해 보세요.