물리법칙 일관성을 갖춘 유전 프로그래밍 기반 특징 자동 생성

또한 저자들은 연산자 선택에 확률 전이 행렬을 도입해 물리학에서 흔히 사용되는 연산자 순서를 사전 확률로 반영한다. 예컨대, sqrt 연산자 뒤에 합산 연산이 올 확률을 높게 설정함으로써, “√(E² + …)”와 같은 형태가 자연스럽게 진화하도록 유도한다. 이 전이 행렬은 고정된 값으로 사용되어, 진화 도중 확률이 급격히 수렴하는 현상을 방지한다.

진화 과정은 표준 GP의 선택·교차·돌연변이 절차를 따르지만, 교차와 변이 연산이 문법을 위배하지 않도록 제한한다. 초기 개체는 문법에 따라 생성되며, 모든 개체는 파생 트리와 실제 수식 트리 두 형태로 유지된다. 적합도 평가는 두 가지 방식 중 하나를 사용한다. 하나는 생성된 특징을 기존 분류기(예: 결정 트리)의 입력으로 사용해 얻은 정확도이며, 다른 하나는 정보 이득 등 필터 기반 메트릭이다.

실험은 세 개의 HEP 데이터셋(예: Higgs → boson, tt̄, 그리고 또 다른 충돌 데이터)에서 수행되었다. 각 데이터셋에 대해 원본 특징만을 사용한 베이스라인과, 제안 방법으로 자동 생성된 특징을 추가한 모델을 비교했다. 결과는 자동 생성된 특징이 평균 3~7% 포인트의 정확도 향상을 가져왔으며, 특히 복잡한 물리 현상을 설명하는 새로운 변수(예: 두 입자의 에너지 차이 제곱의 합 등)가 도출되었다. 이러한 변수는 물리학자들이 직접 해석하고 검증할 수 있는 형태였으며, 논문에 제시된 사례에서는 기존에 알려진 물리 법칙과 일치하거나 새로운 인사이트를 제공했다.

한계점으로는 문법 설계 시 전문가의 사전 지식에 크게 의존한다는 점과, 전이 행렬의 확률을 수동으로 설정했기 때문에 다른 물리 분야에 적용하려면 재조정이 필요하다는 점을 들 수 있다. 또한, 연산자와 타입이 제한적이어서 매우 복잡한 비선형 관계를 포착하는 데는 한계가 있다. 향후 연구에서는 자동으로 문법을 확장하거나, 베이지안 최적화를 통해 전이 행렬을 학습하는 방안을 제시한다.

전반적으로 이 논문은 물리량의 차원 일관성을 보장하면서도 해석 가능한 특징을 자동으로 생성하는 최초의 시도이며, HEP 분야뿐 아니라 물리 법칙이 중요한 다른 과학·공학 분야에도 적용 가능성을 열어준다.