초고속 베이지안 서프라시 모델로 초주변 충돌 광자 플럭스 예측

초록

본 논문은 베이지안 신경망을 이용해 초주변 충돌(UPC)에서 사용되는 등가광자 근사(EPA) 플럭스의 계산을 고속 서프라시 모델로 대체한다. 활성 학습 루프와 핵 구조에 대한 사전(prior) 정보를 통합해 불확실성을 자연스럽게 전파하며, 기존 적분 기반 방법 대비 CPU 시간을 2 오더(≈100배) 이상 절감한다.

상세 분석

이 연구는 초고에너지 중이온 충돌에서 발생하는 광자 플럭스 계산을 물리‑기반 베이지안 신경망(BNN)으로 대체함으로써 계산 효율성을 크게 향상시켰다. 핵밀도는 Woods‑Saxon 형태를 채택하고, 반경 R₀와 표면 확산도 a를 핵 구조 파라미터로 두었다. 기존 방법은 2차원 적분(포인트 전하 커널과 투영된 핵밀도의 컨볼루션)을 매 실행 시마다 수행해 초기화 비용이 크게 발생했으며, 대규모 Monte‑Carlo 시뮬레이션에서 수천~수만 CPU 시간을 소모했다.

BNN은 입력 벡터 x = {ln ω, b, ΔR, a}를 받아 로그 플럭스 ln N을 예측한다. 드롭아웃을 Monte‑Carlo 방식으로 활용해 예측 평균 μ와 표준편차 σ를 동시에 제공함으로써 에피스틱 불확실성을 정량화한다. 핵 반경 변위 ΔR와 확산도 a에 대한 사전은 PREX‑II와 최신 핵 실험 결과를 기반으로 정규분포(N(0.283 fm, 0.071²) 및 N(0, 0.015²))로 설정하였다.

핵심 혁신은 활성 학습(active‑learning) 루프다. 초기 소규모 데이터셋(D₀)으로 BNN을 훈련한 뒤, 각 라운드에서 모델이 예측한 불확실성이 큰 영역을 빠르게 탐색한다. 후보점은 빠른 rapidity 그리드에서 생성하고, 불확실성 σ⁻¹에 비례하는 확률로 샘플링한다. 상위 k개의 고불확실성 점을 선택해 정확한 적분(목표값)으로 라벨링하고, 데이터셋에 추가한다. 이 과정을 최대 상대 불확실성이 15 % 이하가 될 때까지 반복한다. 결과적으로 전체 적분 횟수는 균일 샘플링 대비 약 100배 감소했으며, 훈련 시간은 30분 내외, 추론 시간은 밀리초 수준이다.

성능 평가에서는 b = 20 fm 고정 하에 rapidity 전 범위에서 서프라시와 직접 적분 결과가 평균 절대 오차 2 % 이하로 일치함을 확인했다. 불확실성 밴드는 전체 rapidity 구간에서 약 22‑23 %이며, 이는 핵 스킨 두께와 확산도에 대한 사전 불확실성을 그대로 반영한다. 기존 연구에서 반경만 변동시킨 불확실성과 비슷하지만, 여기서는 두 파라미터를 동시에 베이지안 방식으로 전파함으로써 보다 물리적으로 일관된 오류 추정이 가능하다.

또한, 서프라시 모델은 핵 구조 사전을 교체하거나 다른 밀도 모델(예: 두-파라미터 Fermi 모델)로 확장하기 쉬운 모듈형 설계를 제공한다. 새로운 사전이 주어지면 활성 학습 루프가 자동으로 재학습을 수행해 최신 실험 결과를 즉시 반영할 수 있다. 이러한 유연성은 향후 UPC 분석에서 핵 구조 측정이 개선될 때마다 플럭스 불확실성을 재평가하는 데 큰 장점을 제공한다.

전반적으로 이 논문은 고차원 물리 파라미터와 복잡한 적분을 머신러닝 기반 서프라시로 대체함으로써, 대규모 분산 컴퓨팅 환경에서의 초기화 비용을 수천 배 절감하고, 동시에 베이지안 프레임워크를 통해 불확실성을 체계적으로 관리한다는 점에서 고에너지 핵물리학 시뮬레이션에 중요한 전환점을 제시한다.