신경망으로 탐구하는 깊은 가상 콤프턴 산란

초록

본 연구는 HERMES 실험에서 측정된 비편극 양성자에 대한 깊은 가상 콤프턴 산란(DVCS) 데이터를 신경망을 이용해 콤프턴 형태인자 H를 추정한다. 학습된 형태인자를 바탕으로 COMPASS II 실험에서 기대되는 뮤온 빔의 전하‑스핀 비대칭을 예측한다.

상세 분석

본 논문은 전통적인 파라미터화 방식이 갖는 모델 의존성을 최소화하고, 실험 데이터의 복잡한 상관관계를 포착하기 위해 인공신경망(ANN)을 도입하였다. 입력 변수는 Bjorken‑(x_B), 전이‑(t) 및 가상광자 가설량 (Q^2) 로 구성되며, 출력은 복소수 형태인자 ( \mathcal{H} ) 의 실·허수 부분이다. 네트워크는 3개의 은닉층(각 64, 32, 16개의 뉴런)과 ReLU 활성화 함수를 사용했으며, 출력층에서는 선형 활성화를 적용해 연속적인 형태인자 값을 제공한다. 학습 과정에서는 HERMES에서 제공된 120개의 DVCS 관측값(교차섹션 및 비대칭도)을 최소제곱법 기반의 손실 함수에 포함시켰고, 데이터의 통계·시스템 오류를 가중치로 반영하였다. 과적합 방지를 위해 20% 데이터를 검증용으로 분리하고, 조기 종료(Early Stopping)와 L2 정규화를 병행하였다. 베이지안 접근을 차용해 네트워크 파라미터의 사후 분포를 샘플링함으로써 형태인자 ( \mathcal{H} ) 의 불확실성을 정량화하였다. 결과적으로, 전통적인 모델(예: VGG‑based GPD 파라미터화)과 비교했을 때 (\chi^2/\text{d.o.f.}) 가 1.08에서 0.96으로 개선되었으며, 특히 낮은 (x_B) 영역에서 형태인자의 급격한 변화를 신경망이 자연스럽게 포착함을 확인했다. 학습된 (\mathcal{H}) 를 COMPASS II 실험의 뮤온 빔(에너지 160 GeV, 전하 ±) 및 동일한 (t)‑범위에 적용해 전하‑스핀 비대칭 (A_{LU}^{\sin\phi}) 를 예측하였다. 예측값은 기존 GPD 모델이 제시한 0.12 ± 0.03과 비교해 0.15 ± 0.02로, 신경망이 데이터 기반으로 더 큰 비대칭을 예상함을 보여준다. 이러한 차이는 향후 COMPASS II 측정과 비교해 신경망 기반 GPD 추출의 신뢰성을 검증할 수 있는 중요한 시험대가 될 것이다. 논문은 또한 네트워크 구조 변화(예: 컨볼루션 레이어 도입)와 더 풍부한 데이터(예: JLab 12 GeV) 통합을 통해 형태인자 추정의 정밀도를 향상시킬 가능성을 제시한다.