밤하늘을 올려다볼 때, 별들은 완벽하게 정지해 있는, 얼어붙은 빛의 점처럼 보입니다. 하지만 현실은 우주적인 춤과 같습니다. 우주는 정적인 경우가 드뭅니다. 사실, 대다수의 별은 우리 태양처럼 홀로 존재하지 않습니다. 대신, 이들은 **쌍성계 (binary star systems)**라고 알려진 중력적 파트너십 관계 속에서 존재합니다.

천체 물리학자들에게 이 시스템은 우주의 로제타 스톤입니다. 이들은 별의 가장 근본적인 속성인 질량을 측정할 수 있는 유일한 직접적인 방법을 제공합니다. 하지만 이 멀리 떨어진 쌍성들의 물리학을 어떻게 해독할 수 있을까요? 우리는 그들의 그림자를 찾습니다.

이 가이드는 Python과 Lomb-Scargle Periodogram과 같은 고급 신호 처리 (signal processing) 기술을 사용하여, 식쌍성 (eclipsing binaries)에 의해 발생하는 주기적인 밝기 감소인 광도 곡선 (light curves)에서의 미세한 "흔들림"을 탐지하는 방법을 탐구합니다.

식 (Eclipse)의 물리학과 데이터의 과제

두 별이 지구와 정렬된 평면에서 서로의 주위를 공전할 때, 이들은 주기적으로 서로의 빛을 차단합니다. 우리는 이 이벤트를 광도 곡선 (light curve), 즉 시간에 따른 별의 밝기를 나타낸 시계열 도표로 기록합니다.

완벽한 광도 곡선은 두 개의 뚜렷한 감소를 보여줄 것입니다:

1. 주극소 (The Primary Minimum): 더 뜨겁고 밝은 별이 더 차가운 동반성에 의해 가려질 때 발생하는 더 깊은 감소.
2. 부극소 (The Secondary Minimum): 반 궤도 후에 발생하는 더 얕은 감소.

이러한 주극소 사이의 시간은 시스템의 심장 박동인 **공전 주기 (orbital period, P)**를 드러냅니다. 하지만 천문학자들은 거대한 장애물에 직면해 있습니다: 바로 **불균일한 샘플링 (Uneven Sampling)**입니다.

병원의 심박수 측정기와 달리, 우리는 별을 24시간 내내 관측할 수 없습니다. 지구는 자전하고, 구름이 몰려오며, 망원경은 일정상의 제약이 있습니다. 이로 인해 데이터에는 거대하고 불규칙한 간극이 가득하게 됩니다. 고속 푸리에 변환 (FFT)과 같은 표준 분석 도구들은 균일한 데이터 포인트를 필요로 하기 때문에 이 지점에서 실패합니다.

해결책: Lomb-Scargle Periodogram

"잃어버린 통근 열차 시간표" 문제(거대한 공백이 있는 기록부에서 규칙적인 리듬을 찾는 문제)를 해결하기 위해, 천문학자들은 **Lomb-Scargle Periodogram (LSP)**에 의존합니다.

LSP는 불규칙하게 샘플링된 데이터 (Irregularly sampled data)를 위해 특별히 설계된 수정된 푸리에 분석 (Fourier analysis)입니다. 일정한 시간 간격을 가정하는 대신, 수천 개의 잠재적 주파수 (Frequencies)를 테스트합니다. 각 주파수에 대해, 해당 주파수의 사인파 (Sine wave)가 흩어진 데이터 포인트에 얼마나 잘 부합하는지를 측정하는 Power (전력) 값을 계산합니다.

출력값은 피리오도그램 (Periodogram)입니다. 만약 실제 주기적 신호(식 현상과 같은)가 존재한다면, 그래프상에서 뚜렷한 피크 (Peak)로 나타납니다. 우리는 또한 이 피크가 단순한 무작위 노이즈가 아님을 보장하기 위해 **False Alarm Probability (FAP, 허위 경보 확률)**를 계산해야 합니다. 낮은 FAP (예: $10^{-5}$)는 우리의 발견에 대해 높은 신뢰도를 제공합니다.

Phase Folding: 신호의 정체 밝히기

LSP를 통해 후보 주기 (Candidate period)를 확보하면, **Phase Folding (위상 접기)**을 수행합니다. 이 기술은 전체 시계열 데이터를 단일 타임라인으로 압축하여, 모든 관측치를 궤도 주기 내의 위치에 따라 정렬합니다.

위상 ($\phi$)에 대한 공식은 다음과 같습니다:

$$\phi = \frac{t - T_0}{P} \pmod{1}$$

여기서 $t$는 관측 시간, $T_0$는 기준 최소값 시간, $P$는 주기입니다.

주기가 정확하다면, 흩어져 있던 데이터 포인트들이 완벽하게 정렬되어 식 현상의 매끄럽고 근본적인 형태를 드러냅니다. 만약 주기가 틀리다면, 데이터는 혼란스러운 잔상으로 남게 됩니다.

Python 워크플로우: 광도 곡선 (Light Curve) 시뮬레이션 및 분석

이론을 실습에 적용해 보겠습니다. 아래는 노이즈가 섞인 광도 곡선을 시뮬레이션하고, Lomb-Scargle 방법을 사용하여 숨겨진 주기를 복구하는 Python 워크플로우입니다.

1. 데이터 시뮬레이션

먼저, 대기 및 기기 오차를 모사하기 위해 가우시안 노이즈 (Gaussian noise)를 추가하여 주기가 1.5일인 쌍성 (Binary star)을 나타내는 합성 데이터 (Synthetic data)를 생성합니다.

import numpy as np
import matplotlib.pyplot as plt
from astropy.timeseries import LombScargle
...

2. Lomb-Scargle을 이용한 주기 검출

이제 노이즈 속에 숨겨진 주기를 찾기 위해 astropy의 LombScargle 클래스를 적용해 보겠습니다.

# --- 주파수 그리드 설정 (Frequency Grid Setup) ---
# 탐색할 주기의 범위(예: 0.1일에서 20일)를 정의합니다
min_period = 0.1
...

3. 위상 접기 (Phase Folding) 및 검증

마지막으로, 찾아낸 주기를 사용하여 데이터를 접습니다 (fold). 이는 광도 곡선 (light curve)을 단일 주기로 압축함으로써 결과의 타당성을 검증합니다.

# --- 위상 접기 (Phase Folding) ---
# 찾아낸 주기를 사용하여 모든 데이터 포인트의 위상 (phase)을 계산합니다
phase_folded = ((time - time[np.argmin(flux)]) % best_period) / best_period
...

결론

별빛의 "흔들림"을 감지하는 것은 고전적인 신호 처리 (signal processing) 과제입니다. 표준 푸리에 변환 (Fourier transforms)을 넘어 Lomb-Scargle Periodogram을 활용함으로써, 우리는 무질서하고 불완전한 천문 데이터를 통해 정밀한 궤도 주기 (orbital periods)를 추출할 수 있습니다.

시뮬레이션(Simulate) → 감지(Detect) → 접기(Fold)로 이어지는 이 과정은 현대 변광성 천문학 (variable star astronomy)의 근간을 형성합니다. 이를 통해 우리는 노이즈의 층을 벗겨내고 우주를 지배하는 중력의 춤을 드러낼 수 있습니다.

함께 논의해 봅시다

1. 만약 상당한 기기 드리프트 (instrumental drift, 완만한 상승 또는 하강 추세)가 있는 망원경의 데이터를 분석한다면, Lomb-Scargle 알고리즘을 적용하기 전 데이터 정제 (data cleaning) 단계를 어떻게 수정하시겠습니까?
2. 식쌍성 (eclipsing binaries) 외에, Lomb-Scargle 방법의 이점을 얻을 수 있는 다른 실제 시계열 데이터셋 (예: 금융, 심박수 모니터링, 기후 데이터)에는 무엇이 있으며, 그 이유는 무엇입니까?

여기서 시연된 개념과 코드는 전자책 Astrophysics & AI: Building Research Agents for Astronomy, Cosmology, and SETI에 제시된 종합적인 로드맵에서 직접 가져온 것입니다. 해당 도서는 여기에서 확인하실 수 있습니다. Python, TypeScript, Swift, C#을 활용한 다른 50가지 프로그래밍 및 AI 전자책은 여기에서 확인하세요.