⚛️ nuclear theory

Kolmogorov-Arnold networks in nuclear binding energy prediction

이 연구는 콜모고로프-아놀드 네트워크(KAN)가 0.26 MeV라는 낮은 오차로 핵 결합 에너지를 예측하는 데 있어 전통적인 모델들을 유의미하게 능가하는 동시에, 고전 핵물리학 이론과 일치하는 해석 가능한 분석적 표현식을 제공한다는 것을 입증한다.

원저자: Hao Liu, Jin Lei, Zhongzhou Ren

게시일 2026-09-07

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Hao Liu, Jin Lei, Zhongzhou Ren

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

모든 원자의 중심에는 양성자와 중성자가 섬세한 균형 속에 모여 있는 북적이는 방과 같은, 작고 밀도가 높은 핵이라 불리는 핵심이 자리 잡고 있습니다. 이 방을 하나로 묶어주는 힘은 엄청나며, 이를 온전하게 유지하는 데 필요한 에너지를 결합 에너지라고 합니다. 이 에너지는 단순한 숫자가 아닙니다. 그것은 왜 어떤 원자는 안정적인 반면 다른 원자는 분해되는지, 별들이 어떻게 무거운 원소들을 만들어내는지, 그리고 과학자들이 언젠가 어떻게 새로운 초중원소 물질들을 만들어낼 수 있을지를 이해하는 열쇠입니다. 수십 년 동안 물리학자들은 모든 알려진 원자에 대해 이 에너지를 예측할 수 있는 단 하나의 완벽한 방정식, 즉 우주의 구성 요소를 위한 마스터 레시피를 쓰기 위해 노력해 왔습니다. 전통적인 공식들은 많은 경우에 잘 작동하지만, 입자의 수가 변할 때 발생하는 복잡하고 무질서한 세부 사항들 앞에서는 종종 어려움을 겪으며 원자 세계에 대한 이해의 공백을 남깁니다.

상하이 통지 대학교의 연구팀은 콜모고로프-아르노프 네트워크(Kolmogorov-Arnold network), 즉 KAN이라 불리는 새로운 유형의 인공지능을 사용하여 이 오래된 문제에 대해 신선한 접근 방식을 취했습니다. 고정된 내부 노브(knob)를 조정하며 학습하는 표준 컴퓨터 프로그램과 달리, 이 새로운 시스템은 복잡한 문제를 일련의 더 단순한 단일 변수 단계로 분해하도록 설계되었습니다. 복잡한 기계를 전체가 어떻게 작동하는지 한꺼번에 추측하기보다는, 기계를 분해하여 각 기어를 개별적으로 연구하여 이해하려고 노력하는 것을 상상해 보십시오. 이 방법을 방대한 알려진 원자 질량 데이터베이스에 적용함으로써, 연구진은 수천 개의 핵의 결합 에너지를 놀라운 정밀도로 예측할 수 있었습니다. 그들의 최적 모델은 불과 0.26 메가 전자볼트(MeV)의 오차율을 달성했는데, 이는 오늘 이 분야에서 사용되는 많은 기존 물리 이론들을 능가하는 정확도 수준입니다.

연구진은 각 핵의 양성자와 중성자 수와 함께 입자가 어떻게 쌍을 이루는지, 그리고 어떻게 껍질(shell)을 형성하는지와 같은 알려진 다른 요소들을 네트워크에 입력하는 것으로 시작했습니다. 그들은 이러한 세부 사항들의 다양한 조합으로 시스템을 테스트했으며, 양성자와 중성자의 기본 개수만을 사용한 가장 단순한 버전도 이미 꽤 훌륭했지만, 핵 구조에 대한 정보를 추가했을 때 예측이 훨씬 더 날카로워진다는 것을 발견했습니다. 껍질 닫힘(shell closures)과 입자 쌍(particle pairing)에 대한 세부 정보를 포함한 그들의 가장 진보된 버전의 모델은, 예측 오차를 가장 정교한 물리 기반 시뮬레이션과 맞먹는 수준으로 줄였습니다. 이러한 성공은 이 새로운 네트워크가 단순히 숫자를 암기하는 것이 아니라, 원자핵이 어떻게 서로를 붙잡고 있는지 지배하는 근본적인 규칙을 실제로 학습하고 있음을 시사합니다.

이 연구의 가장 흥激한 측면 중 하나는 이 새로운 시스템이 단순히 숫자를 예측하는 것을 넘어, 데이터 내부에 숨겨진 수학적 공식을 드러낼 수 있다는 점입니다. 많은 인공지능 모델에서 내부 로직은 인간이 읽을 수 없는 '블랙박스'입니다. 그러나 KAN 시스템은 문제를 단순한 함수로 분해하도록 구축되었기 때문에, 연구진은 결과로부터 깨끗하고 읽기 쉬운 방정식을 추출할 수 있었습니다. 이렇게 도출된 공식은 부피, 대칭성, 표면 효과를 위한 항들을 포함하면서도 컴퓨터가 스스로 찾아낸 특정 조정값들을 담고 있어, 물리학자들이 수년간 사용해 온 고전적인 방정식들과 매우 유사한 모습을 보였습니다. 복잡한 컴퓨터 모델을 인간이 읽을 수 있는 자연 법칙으로 번역할 수 있는 이 능력은 원자핵의 수학적 구조에 대한 드문 통찰을 제공합니다.

연구진은 또한 이 모델들이 본 적이 없거나 측정된 적이 없는 원자의 특성을 얼마나 잘 추측하는지, 즉 외삽(extrapolation)이라 불리는 과제를 테스트했습니다. 연구진이 학습 데이터의 범위를 훨씬 벗어난 핵의 질량을 예측하도록 네트워크에 요청했을 때, 결과는 무거운 원소들에 대해서는 일반적으로 신뢰할 만했으며 기존의 확립된 물리 모델의 예측과 근접하게 유지되었습니다. 그러나 아주 가벼운 원소들의 경우, 단 몇 개의 입자 사이의 상호작용이 독특하고 어려운 패턴을 만들어내기 때문에 시스템이 더 어려움을 겪었습니다. 이러한 발견은 이 새로운 방법이 강력하지만, 가장 작은 핵들의 거동은 여 still 추가적인 개선이 필요한 독특한 과제를 제시한다는 점을 강조합니다. 연구진은 미래의 기술 버전이 더 깊은 통찰력을 밝혀내는 데 도움을 줄 수 있으며, 잠재적으로 물질이 어떻게 구성되고 극한 조건에서 어떻게 행동하는지에 대한 새로운 이론으로 이어질 수 있다고 제안합니다.

현대 머신러닝의 패턴 인식 능력과 명확하고 이해 가능한 과학 법칙에 대한 필요성을 결합함으로써, 이 연구는 가공되지 않은 데이터와 이론적 통찰 사이의 간극을 메웁니다. 연구진은 인공지능을 단순한 계산기가 아니라, 핵물리학의 규칙을 다시 쓰는 데 도움을 줄 수 있는 발견의 도구로 사용할 수 있음을 보여주었습니다. 이러한 모델이 계속 발전함에 따라, 이들은 원자 세계를 더 명확하게 바라보게 함으로써 과학자들이 주기율표의 미지의 영역을 탐색하고 우리 우주를 형성하는 근본적인 힘을 이해하도록 도울 것을 약속합니다.

기술 요약: 핵 결합 에너지 예측을 위한 콜모고로프-아놀드 네트워크(Kolmogorov-Arnold Networks)

문제 정의
핵 결합 에너지(Binding Energy, BE)의 예측은 핵 구조, 껍질 효과(shell effects), 쌍성(pairing), 그리고 r-과정(r-process)과 같은 천체물리학적 과정을 이해하는 데 필수적이다. 전통적인 물리 기반 모델(예: Bethe-Weizsäcker, Hartree-Fock-Bogoliubov)은 해석 가능성을 제공하지만 복잡한 비선형 관계를 다루는 데 어려움이 있다. 반대로, 데이터 기반 머신러닝 방법(예: 다층 퍼셉트론, 가우시안 프로세스)은 비선형성을 잘 처리하지만, 해석 가능성이 부족하고 상당한 계산 자원을 필요로 하는 "블랙박스"로 작용하는 경우가 많다. 과제는 높은 예측 정확도와 핵 데이터로부터 의미 있고 해석 가능한 물리 법칙을 추출하는 능력 사이의 균형을 맞추는 모델을 개발하는 것이다.

방법론
본 연구는 콜모고로프-아놀드 표현 정리(Kolmogorov-Arnold representation theorem)에 기반한 신경망 구조인 콜모고로프-아놀드 네트워크(KAN)를 채택한다. 고정된 활성화 함수를 노드에 사용하는 기존의 다층 퍼셉트론(MLP)과 달리, KAN은 에지(edge)에 학습 가능하고 적응 가능한 활성화 함수(구체적으로 B-스플라인)를 배치한다. 이를 통해 네트워크는 복잡한 다변수 함수를 일변수 함수들의 합으로 분해할 수 있다.

데이터: 모델은 원자 번호( $Z$ )와 중성자 수( $N$ )가 8 이상인 3,456개의 핵을 대상으로 원자 질량 평가(AME2020)의 질량 과잉(mass excess) 값을 활용한다. 데이터셋은 훈련 세트(2,856개 핵)와 테스트 세트(600개 핵)로 나뉘며, 견고성을 보장하기 위해 $k$ -폴드 교차 검증( $k=3$ )이 적용되었다.
특징 선택(Feature Selection): 본 연구는 기본적인 핵자 수부터 복잡한 물리적 기술자(descriptor)에 이르는 다양한 특징 집합을 평가한다. 주요 특징은 다음과 같다:
- 기본 특징: $N$ , $Z$ , 질량수 $A$ .
- 유도된 특징: 아이소스핀 비대칭성( $N-Z$ ), 표면 항( $A^{2/3}$ ).
- 구조적 특징: 쌍성 지표( $ZEO$ , $NEO$ ), 껍질 폐쇄 과잉( $\mu_Z$ , $\mu_N$ ), 껍질 궤도 구성( $Z_{shell}$ , $N_{shell}$ ).
훈련 및 규제화(Regularization): 네트워크는 얕은 구조(예: [Input, 12, 1])를 사용한다. 과적합을 방지하고 해석 가능성을 높이기 위해, 손실 함수는 평균 제곱 오차(MSE)를 L1 규제 및 교차 엔트로피 손실과 결 결합하여 네트워크 연결의 희소성(sparsity)을 유도한다.
기호 회귀(Symbolic Regression): 훈련된 KAN으로부터 분석적 표현식을 추출하는 것은 방법론의 핵심 요소이다. 네트워크를 희소한 구조로 가지치기(pruning)한 후, 학습된 B-스플라인 활성화 함수를 최소제곱 적합법을 통해 기초 함수 라이브러리(다항식, 지수 함수, 로그 함수)로 근사하여 폐쇄형 공식(closed-form formula)을 도출한다.

주요 결과

예측 정확도: KAN 모델은 많은 전통적인 미시적 모델들을 크게 능가한다.
- $N$ 과 $Z$ 만을 사용한 최소 모델(KAN-2)은 0.87 MeV의 제곱평균제곱근 오차(RMSE)를 달성했다.
- 껍질 및 쌍성 효과를 포함한 전체 특징 모델(KAN-11)은 전체 데이터셋에 대해 0.26 MeV의 RMSE를 달성했다. 이는 WS4(0.285 MeV), FRDM2012(0.559 MeV), HFB-31(0.576 MeV)과 같은 모델의 성능을 상회한다.
특징 중요도: 연결의 L1 노름(norm) 분석 결과, $N$ , $Z$ , $A$ 가 결합 에너지의 지배적인 동인임이 밝혀졌다. 껍질 및 쌍성 항은 직접적인 가중치는 작았으나, 특히 닫힌 껍질 근처와 가벼운 핵에서 오차를 줄이는 데 결정적인 역할을 했다.
외삽(Extrapolation): 훈련 세트에서 멀리 떨어진 핵(최대 $A=339$ )에 대해 테스트했을 때, KAN은 알려진 데이터 영역에서 너무 멀지 않은 경우 유한 범위 액적 모델(FRDM2012)과 합리적인 일치를 보였다. 그러나 훈련 경계 너머의 핵들에 대해서는 B-스플라인 에지의 다항식 거동으로 인해 상당한 편차가 발생했다.
기호 도출: 기호 회귀 과정은 액체 방울 모델(liquid drop model)의 구조(부피, 대칭, 쿨롱, 표면 항)와 일치하는 결합 에너지의 분석적 표현식을 산출했다. 이 기호 공식은 원시 KAN에 비해 높은 RMSE(짝-짝 핵의 경우 4.2 MeV)를 보였으나, 근저에 깔린 물리적 의존성을 성공적으로 포착했다.

의의 및 주장
본 논문은 KAN이 데이터 기반 예측과 이론적 이해 사이의 독특한 가교 역할을 한다고 주장한다.

해석 가능성: 표준 딥러닝 모델과 달리, KAN은 기호 회귀를 용이하게 하여 연구자들이 데이터로부터 직접 지배 법칙을 드러내는 단순화된 분석 식을 도출할 수 있게 한다.
성능: 본 연구는 KAN이 상대적으로 단순한 구조를 사용하여 최첨단 정확도(0.26 MeV RMSE)를 달달성할 수 있음을 입증하며, 기존의 확립된 물리 모델들을 능가한다.
물리적 통찰: 도출된 기호 공식은 고전적 항(부피, 대칭, 표면)의 관련성을 확인하는 동시에, 명시적으로 제공되지 않은 입력값으로부터도 복잡한 구조적 효과(껍질 폐쇄 등)를 암묵적으로 학습하는 네트워크의 능력을 강조한다.
미래 잠재력: 저자들은 K-A 네트워크가 물리 분야의 복잡한 다변수 시스템을 탐구하는 유망한 도구라고 제언하며, 외삽의 한계를 신중하게 관리한다면 이론적 모델을 정교화하고 미지의 핵 영역에 대한 예측을 개선하는 경로를 제공할 것이라고 본다.

연구는 가벼운 핵을 모델링하는 것과 극단적인 외삽에 여전히 과제가 남아 있지만, 높은 정확도와 해석 가능성의 결 조합이 KAN을 핵 물리학 도구 상자의 가치 있는 추가 요소로 만든다고 결론짓는다.

기술 요약: 핵 결합 에너지 예측을 위한 콜모고로프-아놀드 네트워크(Kolmogorov-Arnold Networks)

유사한 논문