XFEL 단일샷 진단을 위한 머신러닝 기반 고속 예측 기술

** 본 논문은 X‑ray 자유 전자 레이저(XFEL)의 단일샷 진단을 고속으로 수행하기 위한 머신러닝 기반 프레임워크를 제안한다. XFEL은 SASE(자기 증폭 자발 방출) 메커니즘과 복잡한 가속기·압축 시스템 때문에 매 샷마다 광자 에너지, 펄스 길이, 두 펄스 간 지연 등 주요 파라미터가 크게 변동한다. 이러한 변동을 실험적으로 보정하려면 매 샷마다 복잡한 진단(광학 스펙트럼, TOF 스펙트럼, XTCA‑V 이미지 등)을 수행해야 하는데, 이는 현재의 고반복률(>1 MHz) XFEL에서는 물리적으로 불가능하다. 저자들은 ‘빠른’ 진단(전류, 전자빔 위치·각도, 가스 검출기 신호 등)과 ‘느린’ 진단(온도, 압력, 전압 설정 등)을 구분하고, 빠른 진단은 모든 샷에서 실시간으로 수집 가능하므로 고속 데이터 스트림을 구성한다. 느린 진단은 낮은 반복률(2 Hz)로만 기록되지만, 이들 데이터는 복잡한 진단값(광자 에너지, 펄스 지연, 스펙트럼 형태)의 ‘라벨’ 역할을 한다. 데이터 전처리 단계에서는 상수값 피처와 희소값(10개 이하) 피처를 제거하고, 상관계수와 PCA를 이용해 약 40개의 핵심 피처만을 남긴다. 이렇게 축소된 피처 집합을 입력으로 하여, 선형 회귀, 다항 회귀, 서포트 벡터 회귀(SVR), 그리고 심층 신경망(DNN) 모델을 학습한다. 하이퍼파라미터(다항 차수, 커널 폭, 은닉층 수·노드 수 등)는 검증 셋을 통해 최적화하고, 최종 모델은 별도 테스트 셋에서 성능을 검증한다. 실험은 LCLS의 트윈버스 모드에서 두 가지 설정(실험 1: 광학 스펙트럼, 실험 2: TOF 스펙트럼)으로 진행되었다. 전자빔 에너지는 3.5 GeV, 두 펄스 간 에너지 차이는 15 eV, 광자 에너지는 540 eV 부근(산소 K‑엣지)이다. DSF(이중 슬롯 포일)를 이용해 두 전자빔을 시간적으로 분리하고, 압축 설정을 바꾸어 펄스 지연을 -100 fs에서 +100 fs까지 조절하였다. 예측 결과는 다음과 같다. 1. **광자 에너지 예측**: 평균 절대 오차 0.28 eV(전체 범위 0.1 % 이하), R² ≈ 0.99. 2. **펄스 지연 예측**: 평균 절대 오차 1.4 fs, 표준편차 1.6 fs, R² ≈ 0.96. 3. **스펙트럼 형태 재구성**: 350개의 스펙트럼 포인트를 입력으로, 코사인 유사도 0.97, 시각적 비교에서도 주요 피크와 변동을 정확히 복원. 특히, 가스 검출기의 총 에너지 신호를 피처에 포함함으로써 SASE의 통계적 변동을 모델이 직접 학습하게 했으며, 이는 전자빔 파라미터만으로는 설명되지 않는 ‘내재적’ 요동을 보정하는 데 큰 역할을 했다. 또한, XTCA‑V 이미지에서 추출한 시간‑에너지 분포를 이용해 펄스 지연 라벨을 만든 점은 이미지 처리 비용을 크게 절감하면서도 높은 정확도를 유지하게 만든 핵심 요소다. 한계점으로는 (1) 현재 데이터가 120 Hz 이하의 낮은 반복률에 국한돼 있어, 실제 MHz 급 반복률에서 발생할 수 있는 전자빔 열화·시스템 드리프트를 완전히 반영하지 못한다는 점, (2) 모델이 훈련 데이터에 포함되지 않은 새로운 가속기 설정이나 파라미터 범위에 대해 일반화 능력이 제한적일 수 있다는 점이다. 이를 보완하기 위해 저자들은 (i) 온라인 학습(continual learning)과 실시간 피드백 루프를 도입해 모델을 지속적으로 업데이트하고, (ii) 다중 도메인 전이 학습을 통해 다른 XFEL 시설(예: European XFEL, LCLS‑II)에서도 바로 적용 가능한 범용 모델을 개발할 것을 제안한다. 결론적으로, 이 연구는 “간단한 고속 진단만으로 복잡한 단일샷 X‑ray 특성을 정확히 예측한다”는 새로운 패러다임을 제시한다. 이는 차세대 고반복률 XFEL에서 데이터 전송·저장 병목을 크게 완화하고, 실험자들이 매 샷마다 완전한 펄스 정보를 활용해 실시간 실험 설계·피드백을 할 수 있게 만든다. 향후 머신러닝 모델을 가속기 제어 루프에 직접 통합한다면, 변동을 사전에 보정하거나 최적화된 펄스 조건을 자동으로 생성하는 ‘스마트 XFEL’ 구현도 가능할 것으로 기대된다. **