LSTM 기반 3차원 AGATA 결정 위치 추정 혁신

초록

본 논문은 AGATA 고순도 게르마늄(HPGe) 결정의 감마 상호작용 위치를 3차원으로 추정하기 위해, 스트라스부르에서 수집한 실험 데이터에 LSTM 신경망을 적용한 새로운 방법을 제시한다. 부분적인 좌표만 알려진 훈련 데이터를 활용하기 위해 마스크 손실 함수를 도입했으며, 각 세그먼트별 모델을 별도로 학습함으로써 기존 시뮬레이션 기반 데이터베이스와 PSCS(펄스 형태 비교 스캔) 방식보다 높은 위치 재구성 정확도를 달성하였다.

상세 분석

이 연구는 AGATA 배열의 핵심 성능인 감마선 상호작용 위치 정확도 향상을 목표로 한다. 기존 PSA(Pulse Shape Analysis) 방식은 시뮬레이션으로 만든 신호 데이터베이스에 의존하는데, 시뮬레이션 오차와 실제 결정의 미세 구조 차이로 인해 한계가 있었다. 저자들은 스트라스부르 IPHC에서 수행된 PSCS 실험 스캔 데이터를 활용해, 실제 측정된 파형을 직접 학습 데이터로 사용하였다.

핵심 기술은 두 가지이다. 첫째, 시간 연속성을 가진 2220 차원의 ‘슈퍼‑트레이스’를 LSTM 네트워크에 입력하도록 설계한 점이다. LSTM은 37개의 채널(36 세그먼트+코어) 각각 60개의 샘플을 시간 순서대로 처리하도록 차원을 전치(permuted)함으로써, 파형의 상승 에지와 플래토 영역에 내재된 위치 정보를 효과적으로 학습한다. 둘째, 스캔 방식이 수직·수평으로 나뉘어 각각 X‑Y 혹은 X‑Z 좌표만 제공하므로, 전체 3차원 좌표를 동시에 예측하기 위해 마스크 손실 함수를 도입하였다. 마스크는 알려진 축에 대해서만 유클리드 거리 손실을 계산하고, 미지의 축은 무시함으로써 역전파가 정상적으로 진행되게 한다.

데이터 전처리는 신호 압축, 히트·코인시던스 필터링, 타이밍 정렬, 상승 에지 60 샘플 추출 등으로 구성되어, 메모리 효율과 학습 속도를 크게 개선하였다. 또한 전체 데이터(≈10⁸ 이벤트)를 90:10 비율로 훈련·검증 셋으로 분리하고, 에너지 윈도우(300‑480 keV, 650‑670 keV)를 선택해 고품질 파형에 집중함으로써 노이즈와 복합 산란에 의한 오류를 최소화했다.

학습 전략에서 저자들은 전체 결정에 대해 단일 모델을 학습하면 데이터 분포 불균형으로 특정 세그먼트가 과도하게 영향을 받는 문제를 발견했다. 이를 해결하기 위해 36개의 세그먼트 각각에 독립 모델을 학습시켰으며, 각 모델은 해당 세그먼트가 ‘피어드’(발광)된 경우만을 사용한다. 결과적으로 후방 세그먼트(레이어 5‑6)와 스캔 각도에 따라 통계가 부족한 영역에서도 오류가 크게 감소하였다.

성능 평가는 검증 셋에서의 평균 위치 오차와 기존 PSCS 기반 데이터베이스와의 비교를 통해 이루어졌다. LSTM 기반 실험 데이터베이스는 평균 오차가 약 1 mm 이하로, 시뮬레이션 데이터베이스와 기존 PSCS 방법보다 30‑40 % 향상된 것으로 보고되었다. 또한 훈련 시간은 약 4‑5 시간(단일 GPU)으로, 기존 PSCS 알고리즘이 4.7일이 소요되는 것에 비해 크게 단축되었다.

이 논문은 (1) 실험 파형을 직접 학습에 활용함으로써 시뮬레이션 의존성을 낮추고, (2) 마스크 손실을 통한 불완전 라벨 학습 기법을 제시하며, (3) 세그먼트별 모델링을 통해 데이터 불균형 문제를 해결한다는 점에서 AGATA와 유사한 고분해능 감마 검출기 분야에 중요한 방법론적 기여를 한다. 향후 다중 상호작용 이벤트, 실시간 트래킹, 그리고 다른 결정 형태(예: 타입 B·C)에도 확장 가능성이 높다.