물리 기반 가우시안 프로세스로 액체 구조 추정

초록

본 논문은 실험적 산란 데이터에서 라디얼 분포 함수(RDF)를 추정하기 위해 물리적 제약을 반영한 비정상 가우시안 프로세스(GP) 모델을 제시한다. 이 모델은 Fourier 변환 시 발생하는 이산화, 윈도잉, 잡음 문제를 완화하고, 구조 인자에 대한 사전 지식을 평균·커널에 삽입한다. Argon과 물의 실험 데이터에 적용해 불확실성을 정량화한 RDF를 제공하며, 코드와 벤치마크를 공개한다.

상세 분석

논문은 라디얼 분포 함수(g(r))를 직접 추정하기보다, 먼저 실험에서 얻어지는 정적 구조 인자 S(q)를 확률적 함수로 모델링한다는 전략을 채택한다. 이를 위해 S(q) 를 평균 μ(q)와 비정상 커널 K(q,q′) 로 정의된 가우시안 프로세스에 할당하고, 물리적 제약—예를 들어 q→0에서 S(q)→1, r→0에서 g(r)→0, r→∞에서 g(r)→1—을 평균과 커널 설계에 반영한다. 비정상 커널은 입력 q에 따라 변하는 변동성을 허용해, 고주파 영역에서는 실험 잡음이 크게 작용하고 저주파 영역에서는 물리적 평활성을 유지하도록 설계되었다. 베이즈 정리를 이용해 관측 데이터 Y와 하이퍼파라미터 θ 를 조건으로 한 사후 분포 p(S|Y,θ)를 계산하고, 선형성 때문에 이 사후를 그대로 라디얼 Fourier 변환에 적용해 g(r)의 사후 분포를 얻는다. 이렇게 하면 실험적 불확실성(카운트 통계, 시간‑비행 오차)과 모델 기반 불확실성이 동시에 전파되어, g(r) 의 각 r 위치에서 신뢰 구간을 직접 제공한다. 기존의 수정 함수(M(q)) 기반 접근법은 데이터와 모델을 임의의 가중치로 혼합하는데 불과했으나, GP 기반 방법은 확률적 가중치를 자동으로 학습함으로써 보다 일관된 베이즈 추론을 수행한다. 구현 측면에서는 inducing point 기법과 변분 추론을 활용해 대규모 q‑grid에서도 계산 효율성을 확보했으며, GitHub에 공개된 코드는 PyTorch와 GPyTorch 기반으로 재현 가능하도록 설계되었다. 실험에서는 중성자 산란을 이용한 액체 아르곤 데이터와 X‑ray 산란을 이용한 물 데이터를 대상으로, 기존 역 Monte Carlo(RMC)·EPSR 방법과 비교했을 때 피크 위치·폭이 정확히 재현되고, 작은 r 영역에서 비현실적인 불확실성 폭이 억제되는 것을 확인했다. 또한, 물의 OO RDF를 추정한 결과는 최신 TIP4P/2005와 같은 고급 물 모델과 일치하면서도, 실험적 잡음이 크게 주입된 경우에도 안정적인 복원을 보여준다. 이러한 결과는 GP가 물리적 제약을 유지하면서도 데이터‑드리븐 유연성을 제공한다는 점을 실증한다.