빠른 중성미자 맛 변환 후 초신성 중성미자 스펙트라 재구성을 위한 해석 가능한 데이터 기반 방법

초록

본 논문은 초신성 및 중성자 합성에서 발생하는 빠른 중성미자 맛 변환(FFC)을 예측하기 위해, 해석 가능성을 갖춘 두 가지 머신러닝 프레임워크인 Kolmogorov‑Arnold Networks(KAN)와 Sparse Identification of Nonlinear Dynamics(SINDy)를 적용한다. KAN은 90% 수준의 높은 재구성 정확도를 보이며, SINDy는 간결한 폐쇄형 수식 형태의 서프레이트 모델을 제공한다. 두 모델 모두 초기 중성미자 밀도, 특히 무거운 렙톤(νₓ) 중성미자 수밀도가 변환 결과에 가장 큰 영향을 미친다는 물리적 인사이트를 도출한다.

상세 분석

이 연구는 빠른 맛 변환(FFC)이 초신성 핵심 및 중성자 합성에서 차지하는 역할을 정량화하기 위해, 기존의 ‘블랙 박스’ 신경망이 제공하지 못하는 물리적 해석성을 확보하고자 한다. 데이터셋은 1차원 박스 시뮬레이션으로부터 얻은 11차원 입력 벡터(총 9개의 순간량과 2개의 에너지 관련 변수)와, 각 에너지 구간별 최종 중성미자 스펙트라를 목표값으로 구성한다. 입력 변수는 전자 중성미자와 반전자 중성미자, 무거운 렙톤 중성미자(νₓ)의 수밀도와 플럭스 팩터, 그리고 에너지 평균값을 포함한다. 이러한 설계는 현재 CCSNe·NSM 시뮬레이션이 제공하는 정보와 일치하도록 맞춤화되었으며, 에너지 의존성을 유지하기 위해 연속적인 에너지 태그를 추가함으로써 단일 네트워크가 전체 에너지 범위에 걸쳐 예측할 수 있게 한다.

KAN은 Kolmogorov‑Arnold 표현 정리를 기반으로, 각 입력 차원에 대해 학습 가능한 B‑스플라인 활성화 함수를 도입한다. 이는 전통적인 고정 활성화 함수와 달리 데이터에 최적화된 비선형 변환을 자동으로 학습하게 하여, 모델의 표현력을 크게 향상시키면서도 각 ϕ₍q,p₎와 Φ₍q₎ 함수가 별도 함수 형태로 추출 가능하도록 만든다. 실험 결과, KAN은 테스트 셋에서 평균 90% 이상의 스펙트라 재구성 정확도를 달성했으며, 특히 νₓ 수밀도가 변환 임계값을 초과할 때 오류가 최소화되는 경향을 보였다.

SINDy는 후보 함수 라이브러리(다항식, 교차항, 로그·지수 함수 등)를 사전 정의하고, L₁ 정규화 기반의 희소 회귀를 통해 최소한의 비제로 계수를 가진 모델을 선택한다. 결과적으로 얻어진 서프레이트는 입력 변수들의 선형·비선형 조합으로 구성된 저차원 식이며, 재구성 정확도는 KAN에 비해 약 5~10% 낮지만, 물리적 해석이 직관적이다. 특히 SINDy 모델은 νₓ 수밀도와 전자 중성미자 플럭스 팩터 사이의 곱셈 항이 주요 기여 항임을 밝혀, 두 변수의 상호작용이 FFC 진행에 핵심적임을 시사한다.

두 모델 모두 ‘정확도 vs 해석성’ 트레이드오프를 명확히 보여준다. KAN은 높은 예측 성능을 유지하면서도 각 활성화 함수의 형태를 시각화함으로써 비선형 특성을 파악할 수 있게 하고, SINDy는 수식 형태로 직접 물리 법칙을 추정함으로써 이론적 모델링에 바로 활용 가능하도록 한다. 연구는 또한 데이터 기반 접근법이 기존의 양자 동역학 방정식 해석을 보완할 수 있음을 입증한다.