모델프리 스캐터링·이미지 데이터 분석: 에스코트 가중 샤논 엔트로피와 발산 행렬 활용

초록

본 논문은 물리 모델 없이도 산란·이미지 데이터에서 상전이를 감지할 수 있는 프레임워크를 제시한다. 에스코트 가중 샤논 엔트로피와 Kullback‑Leibler, Jeffrey, Jensen‑Shannon, 그리고 반대칭 KLD(antisymmetric KLD) 등 네 종류의 발산 행렬을 이용해 데이터 간 통계적 차이를 정량화한다. 중성자 회절, X‑ray 확산산란, Lorentz TEM 영상 등 세 가지 실험 사례에 적용해 장거리·단거리 질서 형성 및 스키밍 격자 전이를 성공적으로 포착한다.

상세 분석

이 연구는 물리적 상태 분포와 측정된 강도 분포 사이에 일대일 대응을 가정하고, 이를 확률분포 P 와 Q 로 표현한다. 기존 Shannon 엔트로피 S = −∑p_i ln p_i 는 데이터 전체의 무질서를 정량화하지만, 상전이와 같이 미세한 구조 변화는 감지하기 어렵다. 이를 보완하기 위해 저자들은 ‘에스코트 분포’를 도입한다. 에스코트 변환은 p_i → p_i^β/∑p_j^β 형태로, β(=n)라는 인공 온도 파라미터가 낮을수록 높은 강도 픽셀에 가중치를 크게 부여해 배경 노이즈를 억제한다. β=1이면 원래 Shannon 엔트로피와 동일하고, β>1이면 강도 차이가 강조된다.

상대 엔트로피는 두 조건(예: 온도 T₁, T₂) 사이의 Kullback‑Leibler divergence D_KL(P‖Q) = ∑p_i ln(p_i/q_i) 로 정의된다. KLD는 비대칭이므로, 대칭성을 확보하기 위해 Jeffrey divergence D_J = D_KL(P‖Q)+D_KL(Q‖P)와 Jensen‑Shannon divergence D_JS = ½