포화 감마 신호 복원을 위한 최적 인공신경망 탐구

초록

본 연구는 액체 섬광 검출기에서 포화된 감마 신호 파형을 인공신경망(ANN)으로 복원하는 방법을 검증한다. 백프로파게이션(BP), 엘만(Elman), 방사형기반(RBF), 그리고 일반화 방사형기반(GRBF) 네트워크를 비교한 결과, GRBF가 가장 낮은 복원 오차와 안정적인 파형을 제공함을 확인하였다. 기존 Marrone 모델 기반 피팅은 비선형 파형 특성 때문에 만족스러운 결과를 내지 못하였다.

상세 분석

이 논문은 포화된 감마 신호 파형을 복원하기 위한 데이터‑드리븐 접근법을 제시한다. 먼저, 액체 섬광 검출기에서 얻은 다양한 에너지(40–240 채널)의 감마 파형을 정규화했을 때, 에너지 증가에 따라 파형의 상승·하강 구간이 비선형적으로 변형되는 현상을 관찰하였다. 이러한 비선형성은 단순 스케일링이나 기존 Marrone 모델(두 개의 지수함수 합)로는 포화 구간을 정확히 재구성하기 어렵게 만든다.

연구팀은 포화 현상을 시뮬레이션하기 위해 정상 파형의 피크 부분을 수평선(포화값)으로 대체한 ‘인공 포화 파형’을 생성하고, 이를 입력‑출력 쌍으로 사용해 ANN을 학습시켰다. 학습 데이터는 실제 측정된 저에너지 파형을 기반으로 하며, 테스트 데이터는 보다 높은 에너지 구간을 포함한다. 포화 비율은 4 %에서 99 %까지 무작위로 설정해 모델의 일반화 능력을 평가하였다.

네 가지 ANN 구조를 비교하였다. BP 네트워크는 다층 피드포워드 구조이지만, 학습 과정에서 가중치 최적화가 어려워 파형의 연속성이 결여되고 피크 근처에 큰 진동이 발생했다. 엘만 네트워크는 컨텍스트 레이어를 도입해 시간적 의존성을 반영했지만, 수렴 속도가 느리고 파형 왜곡이 여전히 존재했다. RBF 네트워크는 빠른 수렴과 잡음에 대한 강인성을 갖지만, 비선형 파형을 충분히 표현하지 못해 복원 품질이 낮았다.

반면, GRBF 네트워크는 전통적인 RBF보다 적은 계산량으로 전역 최적화를 수행하고, 학습 중 지역 최소에 빠지는 현상을 방지한다. 실험 결과, GRBF는 원래 파형과 거의 동일한 형태를 재현했으며, 최대값 오차는 5 % 이하로 제한되었다(피크 과대값을 제외). 오류 분포는 정규에 가까워 전체 복원 정확도가 높은 것으로 확인되었다.

이러한 결과는 포화된 감마 신호 복원에 비선형 함수 근사 능력이 핵심임을 시사한다. 특히, 파형 전체를 동시에 고려하는 GRBF의 전역적인 기저함수 설계가 비선형 왜곡을 효과적으로 보정한다는 점이 중요한 발견이다. 또한, 포화 비율을 무작위로 설정함으로써 실제 실험 환경에서 발생할 수 있는 다양한 포화 정도에 대한 적응성을 확보하였다.

논문은 향후 실제 포화 신호에 대한 검증이 필요함을 언급한다. 현재는 인공적으로 만든 포화 파형을 사용했으므로, 실제 검출기에서 발생하는 전자기 잡음, 베이스라인 변동, 비선형 증폭기 특성 등을 포함한 데이터에 대해 추가 학습 및 테스트가 요구된다. 그럼에도 불구하고, GRBF 기반 복원 모델은 기존 하드웨어 한계를 보완하고, 고에너지 감마 이벤트를 보다 정확히 기록함으로써 다크 물질 탐색 등 정밀 입자 물리 실험에 기여할 잠재력을 가진다.