변압기 기반 펄스형 구분과 마스크 자동인코더 사전학습

초록

본 연구는 고순도 게르마늄 검출기의 파형을 직접 입력으로 사용하는 변압기 모델을 개발하고, 마스크 자동인코더(MAE) 사전학습을 통해 라벨이 적은 상황에서도 높은 펄스형 구분 성능을 달성함을 보여준다. 기존의 특징 기반 그래디언트 부스팅 트리와 비교했을 때 모든 PSD 목표에서 우수한 정확도를 기록했으며, 에너지 회귀에서도 미세한 개선을 확인하였다.

상세 분석

이 논문은 0νββ 탐색에 핵심적인 고순도 게르마늄(HPGe) 검출기의 펄스형 구분(PSD) 문제를 최신 딥러닝 기법으로 재구성한다. 기존 분석에서는 파형을 몇 개의 물리적 요약 변수(예: A‑vs‑E, LQ, DCR 등)로 압축해 라벨을 만들었지만, 이는 시간 연속적인 전체 신호에 내재된 미세한 패턴을 손실시킬 위험이 있다. 저자들은 이러한 한계를 극복하기 위해 두 가지 주요 전략을 채택했다. 첫째, 원시 전하 파형(3 800 샘플)과 그 1차 미분(전류 프록시)을 동시에 입력으로 하는 변압기 인코더를 설계하였다. 파형을 10 샘플씩(≈100 ns) 윈도우화하고, 각각을 선형 투영해 64 차원 임베딩으로 변환한 뒤, 위치 인코딩 없이 순차적으로 self‑attention을 적용한다. 이 구조는 로컬 피크 형태와 장기적인 감쇠 패턴을 동시에 포착할 수 있다. 둘째, 마스크 자동인코더(MAE) 방식을 도입해 라벨이 없는 캘리브레이션 파형을 대규모로 사전학습한다. 입력 시퀀스의 일정 비율을 무작위 마스크하고, 변압기 디코더가 이를 복원하도록 학습함으로써 파형의 전반적인 통계적 구조와 잡음 특성을 내재화한다. 이후 라벨이 있는 데이터에 대해 미세조정(fine‑tuning)하면, 사전학습된 가중치가 초기화된 모델보다 라벨 수가 2‑4배 적어도 동일 수준의 정확도를 달성한다는 샘플 효율성을 입증한다. 실험에서는 Majorana Demonstrator AI/ML 데이터셋(훈련 1 040 000, 테스트 390 000)을 사용했으며, 네 가지 PSD 라벨(저측 A‑vs‑E, 고측 A‑vs‑E, LQ, DCR)과 에너지 회귀를 동시에 학습한다. 변압기 모델은 모든 PSD 라벨에서 기존의 특징 기반 GBDT보다 높은 정확도와 AUC를 기록했으며, 특히 가장 어려운 고측 A‑vs‑E와 결합 PSD‑pass 정의에서 가장 큰 성능 향상을 보였다. 에너지 회귀에서는 두 변압기 변형 모두 테스트 셋에서 약간의 에너지 저하(bias)를 보였지만, 사전학습 후 미세조정된 모델이 손실 폭을 약간 좁혀 기존 모델보다 더 정밀한 추정치를 제공한다. 전반적으로 이 연구는 변압기와 MAE 사전학습이 HPGe 파형 분석에 적합함을 실증하고, 라벨이 제한된 실험 물리학 환경에서 자기지도 학습이 실용적인 데이터 효율성을 제공한다는 중요한 교훈을 제시한다.