베이지안 신경망을 활용한 원자로 중성미자 실험 이벤트 재구성

초록

본 논문은 원자로 중성미자 실험의 중심 검출기를 모사한 토이(detector) 모델을 구축하고, Monte‑Carlo 시뮬레이션으로 생성된 전자 이벤트를 기존의 최대우도법(MLD)과 베이지안 신경망(BNN) 두 방법으로 재구성한다. 결과는 BNN이 전자 에너지 재구성에서 현저히 낮은 불확실성을 제공함을 보여주며, 특히 고에너지 전자에서 그 개선 효과가 두드러진다. 반면, 전자 위치(버텍스) 추정에서는 MLD와 비교해 유의미한 향상이 없었다.

상세 분석

이 연구는 원자로 중성미자 검출기의 핵심 과제인 이벤트 재구성 문제를 베이지안 신경망(BNN)이라는 확률적 딥러닝 프레임워크로 접근한다. 먼저, 실제 실험에 사용되는 액체 섬광 검출기의 기하학적·광학적 특성을 단순화한 토이 검출기를 설계했으며, Geant4 기반 Monte‑Carlo 시뮬레이션을 통해 다양한 에너지(0.5–10 MeV)의 전자 신호를 생성하였다. 전통적인 최대우도법(MLD)은 검출기 응답 모델을 사전에 정의하고, 관측된 광자 수와 시간 정보를 이용해 로그우도 함수를 최적화함으로써 전자 위치와 에너지를 추정한다. 반면 BNN은 입력(광자 수, PMT 타이밍 등)을 다층 퍼셉트론에 연결하고, 가중치에 사전 확률을 부여해 베이지안 추론을 수행한다. 마코프 체인 몬테카를로(MCMC) 샘플링을 통해 가중치 사후분포를 얻고, 이를 이용해 예측값과 예측 불확실성을 동시에 제공한다. BNN의 주요 장점은 과적합 방지를 위한 자동 정규화와, 데이터가 희소하거나 잡음이 큰 영역에서 불확실성을 정량화할 수 있다는 점이다. 실험 결과, 전자 버텍스 재구성에서는 BNN이 MLD와 비슷한 RMS(≈10 cm) 수준을 보였으며, 이는 검출기 기하학적 제한과 입력 피처의 정보량 부족 때문으로 해석된다. 그러나 에너지 재구성에서는 BNN이 MLD 대비 RMS가 30 % 이상 감소했으며, 특히 5 MeV 이상 고에너지 구간에서 그 차이가 두드러졌다. 이는 BNN이 비선형 응답을 학습하고, 사후분포를 통해 잡음에 대한 적응적 가중치를 부여함으로써 얻어진 결과로 판단된다. 또한, BNN이 제공하는 불확실성 추정은 후속 물리 분석(예: 신호와 배경 구분)에서 중요한 역할을 할 수 있다. 연구는 BNN이 기존 MLD를 대체하기보다는 보완적인 도구로 활용될 가능성을 제시하며, 향후 실제 대형 검출기에 적용하기 위한 스케일업 및 실험 데이터 기반 검증이 필요함을 강조한다.