고정 에너지 역산란을 위한 RBF 신경망 기반 잠재력 추정 및 중성자‑알파 상호작용 적용

초록

**
본 논문은 고정된 입사 에너지에서 구형 대칭 퍼텐셜을 역산란하는 문제를 해결하기 위해 라디얼 베이시스 함수(RBF) 신경망을 이용한 데이터‑드리븐 방법을 제안한다. 위상 이동 데이터를 입력으로 Fourier 영역에서 퍼텐셜을 추정하고, 측정된 위상 이동을 제어 파라미터로 사용해 좌표 공간에서 보정한다. 10 MeV 중성자‑α 산란에 적용한 결과, 물리적으로 타당한 퍼텐셜을 얻었으며 재계산된 위상 이동은 몇 퍼센트 이내의 상대 오차를 보였다.

**

상세 분석

**
이 연구는 고정‑에너지 역산란 문제를 ‘시스템 식별’ 관점에서 접근한다는 점에서 혁신적이다. 기존의 고정‑각운동량(Gelfand‑Levitan‑Marchenko)이나 고정‑에너지(Newton‑Sabatier) 방법은 입력 데이터가 풍부하지 않을 경우 해가 불안정해지는 단점이 있다. 저자는 입력 차원을 최소화하기 위해 라디얼 베이시스 함수(RBF) 신경망을 선택했으며, 이는 1‑차원 입력(위상 이동)만으로도 다중 파라미터 퍼텐셜을 근사할 수 있는 보편적 근사기능을 제공한다.

RBF 네트워크는 입력‑출력 관계를 Gaussian 형태의 기저함수와 선형 가중치의 조합으로 표현한다. 여기서 저자는 두 단계 학습 전략을 채택한다. 첫 번째 ‘예측 단계’에서는 다수의 RBF 네트워크를 훈련시켜 Fourier 영역의 퍼텐셜 V₀(k)를 직접 추정한다. 이때 훈련 데이터는 유한형 및 특이형(예: δ‑함수형) 퍼텐셜을 이용해 생성한 합성 위상 이동이며, 이는 네트워크가 다양한 스펙트럼 특성을 학습하도록 만든다. 두 번째 ‘보정 단계’에서는 역Fourier 변환을 통해 V₀(k)를 좌표 공간 V₀(r)로 변환한 뒤, 측정된 실제 위상 이동을 목표값으로 삼아 Simulated Annealing(SA) 알고리즘을 적용한다. SA는 비선형 최적화 문제에서 전역 최소점을 탐색하는 데 강점이 있어, 초기 RBF 추정값을 물리적으로 일관된 형태로 미세 조정한다.

수학적으로는 변수 위상 근사(VPA) 방정식(δₗ′(r) = …)을 직접 풀지 않고, 위상 이동과 퍼텐셜 사이의 비선형 매핑을 신경망이 학습하도록 함으로써 계산 복잡도를 크게 낮춘다. 또한, Fourier 변환을 이용해 퍼텐셜을 k‑공간에서 다루면 고주파 성분이 억제되어 학습 안정성이 향상된다. 저자는 네트워크 구조(숨은 유닛 수, Gaussian 폭 σ)와 학습 하이퍼파라미터(학습률, SA 온도 스케줄)를 체계적으로 탐색했으며, 과적합 방지를 위해 교차 검증과 정규화 기법을 적용했다.

실험 결과는 두 가지 측면에서 의미가 있다. 첫째, 유한형 및 특이형 입력 퍼텐셜에 대해 네트워크가 정확히 V₀(k)를 복원함을 보였으며, 이는 모델이 일반화 능력을 갖추었음을 시사한다. 둘째, 실제 중성자‑α 산란 데이터(l = 0, 1, 2 위상 이동)에 적용했을 때, 최종 퍼텐셜이 물리적으로 기대되는 깊이와 범위를 보였고, 재계산된 위상 이동은 원 데이터와 평균 2–3 % 정도의 상대 오차만을 보였다. 이는 기존 MLP 기반 방법이 몇 퍼센트 수준의 오차를 보였던 것과 비교해 동일하거나 약간 개선된 성능이다.

이 논문의 한계는 아직 3차원 비구형 퍼텐셜이나 비탄성 채널을 다루지 못한다는 점이다. 또한, RBF 네트워크의 숨은 유닛 수가 증가하면 학습 비용이 급격히 상승하므로, 대규모 데이터셋에 대한 확장성은 추가 연구가 필요하다. 그럼에도 불구하고, 고정‑에너지 역산란 문제에 머신러닝을 적용한 최초 사례 중 하나로서, 물리‑기계적 제약을 신경망 설계에 효과적으로 반영한 점이 큰 의의가 있다.

**