활성학습 기반 핵 두입자 산란 에뮬레이터의 모멘텀 공간 구현

초록

본 논문은 Lippmann‑Schwinger 적분 방정식을 이용한 전산 핵 두입자(t‑matrix) 모델을 고성능 Python/JAX 구현으로 풀고, (Petrov‑)Galerkin 투영과 그리디 스냅샷 선택을 통해 축소 차원 모델(ROM)을 구축한다. 얽힌 및 비얽힌 채널의 위상 이동과 전단면을 정확히 재현하면서 10⁴~10⁶ 배의 속도 향상을 달성하고, t‑matrix와 총 전단면에 대한 오류 추정기도 제시한다.

상세 분석

이 연구는 기존 좌표공간 기반 NN 산란 에뮬레이터를 모멘텀 공간으로 확장함으로써, 최신 차세대 chiral 상호작용과 광학 모델을 직접 다룰 수 있게 했다. 핵심은 Lippmann‑Schwinger 방정식을 고정밀 퀀티즈하여 (N+1)≈80개의 모멘텀 격자점에서 반-온쉘 t‑matrix를 구하고, 이를 선형 파라미터 의존성을 갖는 형태 V(k,k′;θ)=∑ₐ hₐ(θ)Vₐ(k,k′) 로 분해한다. 이렇게 하면 파라미터 θ가 바뀔 때마다 전산 비용이 크게 증가하지 않는다.

축소 차원 모델은 스냅샷 행렬 X를 기반으로 Galerkin(G‑ROM)과 Least‑Squares Petrov‑Galerkin(LSPG‑ROM) 두 가지 투영 방식을 적용한다. G‑ROM은 잔차 r=b−A·t̂을 X에 직교시켜 작은 행렬 eA=X†AX와 eb=X†b를 풀어 계수 c(θ)를 얻는다. LSPG‑ROM은 잔차의 L2 노름을 최소화하도록 Y라는 잔차 기반 기저를 추가로 구성하고, eA=Y†AX, eb=Y†b 로 변환한다. 두 방법 모두 n_b≪N 차원의 선형 시스템만을 해결하므로, 파라미터 탐색 시 실시간(또는 거의 실시간) 응답이 가능하다.

스냅샷 선택은 그리디 알고리즘을 사용한다. 초기 스냅샷은 라틴 하이퍼큐브(LHS) 혹은 물리적 직관에 따라 배치하고, 이후 에뮬레이터가 예측한 오류가 가장 큰 파라미터 지점을 추가한다. 오류 추정은 ROM이 제공하는 잔차 norm과, 전단면에 대한 광학 정리(σ_tot∝Im τ) 를 이용해 t‑matrix와 σ_tot 모두에 대해 신뢰 구간을 산출한다.

구현 측면에서는 JAX의 자동 미분 및 GPU/TPU 가속을 활용해 FOM과 ROM 모두를 벡터화하였다. 특히, 복소수 행렬 연산과 특이값 분해(SVD)를 JIT 컴파일하여, 전체 파라미터 공간(수천 점)에서의 학습과 검증을 수분 내에 완료했다. 실험 결과는 0.1° 이하의 위상 이동 오차와 0.5% 이하의 전단면 오차를 보이며, 전통적인 전용 Fortran 코드 대비 10⁴~10⁶ 배의 속도 향상을 기록한다.

마지막으로, 개발된 에뮬레이터와 오류 모델을 이용해 chiral NN 잠재력의 베이지안 파라미터 추정을 수행하였다. 사전 분포와 실험 데이터(총 전단면) 를 결합한 사후 분포는 ROM이 제공한 오류 추정이 포함된 형태로, 전통적인 MCMC와 비교해 동일한 정확도를 유지하면서 계산 시간을 크게 단축했다.