심해 음향 중성미자 검출을 위한 신호 분류

초록

본 논문은 심해 환경에서 발생하는 다양한 일시적 음향 신호와 중성미자 상호작용에 의해 생성되는 특이한 파형을 구분하기 위해 머신러닝 기반 분류 시스템을 제안한다. 매치드 필터링만으로는 유사한 형태의 배경 신호를 제거하기 어려운 점을 보완하고, 추출된 특징량을 입력으로 사용한 랜덤 포레스트와 부스팅 트리 모델이 1 % 수준의 테스트 오류율을 달성함을 실험적으로 입증한다. 또한, 다중 센서 클러스터를 활용해 신호의 공간적 정보를 강화함으로써 분류 정확도를 크게 향상시킨다.

상세 분석

이 연구는 심해 음향 중성미자 검출기의 핵심 과제인 ‘신호‑배경 구분’ 문제를 머신러닝 관점에서 재정의한다. 기존 매치드 필터링은 이론적으로 중성미자에 의한 급격한 압력 파동을 최적 검출하지만, 실제 심해에서는 해양 생물, 지진, 선박 소음 등 다양한 일시적 신호가 동일한 주파수 대역과 파형 특성을 보인다. 따라서 단순 상관계수 기반 검출은 높은 위양성률을 초래한다. 논문은 먼저 1 kHz~50 kHz 범위의 원시 파형을 전처리하고, 시간‑도메(피크 진폭, 지속 시간, 상승/하강 비율)와 주파수‑도메인(스펙트럼 중심, 대역폭, 고조파 비율) 특징을 20여 개 추출한다. 이러한 특징은 물리적 의미가 명확해 모델 해석성을 높인다.

다음으로, 다중 센서 클러스터(최소 4개의 수중 마이크로폰)에서 동시에 기록된 신호를 결합해 공간적 상관성을 특징으로 포함한다. 이는 신호가 특정 방향에서 동시에 도달하는 패턴을 포착함으로써, 단일 센서 기반 분류보다 잡음에 대한 강인성을 제공한다.

머신러닝 모델로는 랜덤 포레스트(RF), 그래디언트 부스팅 트리(GBT), 서포트 벡터 머신(SVM), 다층 퍼셉트론(MLP)을 비교 평가하였다. 교차 검증 결과 RF와 GBT가 가장 높은 정확도(>99 %)와 낮은 오버피팅 위험을 보였으며, 특히 GBT는 학습률과 트리 깊이 조절을 통해 테스트 오류를 0.9 % 이하로 낮췄다. SVM과 MLP은 하이퍼파라미터 튜닝에 민감했으며, 데이터 양이 제한된 상황에서 성능이 다소 뒤처졌다.

또한, 클래스 불균형 문제를 해결하기 위해 SMOTE 기반 오버샘플링과 비용 민감 학습을 적용했으며, 이는 희귀한 중성미자 이벤트를 놓치지 않으면서도 위양성률을 1 % 이하로 억제하는 데 기여했다. 최종 모델은 실시간 적용 가능하도록 경량화했으며, 라즈베리 파이급 임베디드 보드에서도 10 ms 이하의 추론 시간을 기록했다.

이와 같이, 본 논문은 특징 설계, 다중 센서 통합, 고성능 부스팅 트리 모델을 결합해 심해 음향 중성미자 검출기의 신호 분류 성능을 획기적으로 개선하였다. 향후 실제 해양 관측 시스템에 적용할 경우, 검출 효율과 신뢰성을 동시에 높일 수 있을 것으로 기대된다.