Physics-Embedded Bayesian Neural Network (PE-BNN) to predict Energy Dependence of Fission Product Yields with Fine Structures

이 논문은 핵물리학적 지식을 통합한 물리-임베딩 베이지안 신경망 (PE-BNN) 프레임워크를 제안하여, 에너지 독립적 현상론적 쉘 인자를 입력 특징으로 활용함으로써 에너지 의존성 핵분열 생성물 수율의 미세 구조와 전역적 경향을 동시에 정확하게 예측함을 보여줍니다.

핵심

이 논문은 **"원자력 발전소의 핵심 비밀을 인공지능이 어떻게 더 똑똑하게 풀어냈는가?"**에 대한 이야기입니다.

기존의 복잡한 물리 법칙과 최신 인공지능 (AI) 기술을 섞어서, 원자핵이 쪼개질 때 나오는 작은 조각들 (핵분열 생성물) 의 양을 훨씬 더 정확하게 예측하는 새로운 방법을 개발했습니다.

이 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 문제: "완벽한 레시피가 없는 요리"

원자핵이 쪼개지는 현상 (핵분열) 은 마치 거대한 케이크를 자르는 것과 비슷합니다. 케이크를 자르면 어떤 조각이 얼마나 많이 나올지 예측해야 하는데, 문제는 케이크를 자르는 힘 (중성자 에너지) 이 달라지면 조각의 모양과 양이 미세하게 변한다는 점입니다.

• 기존의 한계: 과학자들은 수백 년 동안 이 현상을 연구했지만, "중간 단계"의 힘으로 자를 때 어떤 조각이 얼마나 나올지 정확히 예측하는 건 여전히 어렵습니다. 기존 컴퓨터 모델은 큰 흐름은 맞췄지만, **조각의 미세한 요철 (Fine Structure)**이나 에너지에 따른 변화를 놓치는 경우가 많았습니다.
• 현재의 상황: 기존 데이터는 아주 낮은 에너지, 중간 에너지, 아주 높은 에너지 등 세 가지 지점만 알려주고, 그 사이는 대충 선으로 연결하는 식이었습니다. 하지만 실제로는 그 사이에서도 예측 불가능한 변화가 일어납니다.

2. 해결책: "물리 법칙을 입은 AI (PE-BNN)"

연구진은 물리 법칙을 AI 에 심어주는 (Physics-Embedded) 새로운 방식을 고안했습니다.

• 기존 AI: 그냥 데이터를 많이 먹여서 패턴을 찾는 '요리 견습생'이었습니다.
• 새로운 AI (PE-BNN): 이 견습생에게 "원자핵에는 '껍질 (Shell)'이라는 특별한 구조가 있어서, 특정 위치에서는 조각이 더 잘 뭉친다"는 물리 법칙을 미리 가르쳐 준 뒤 학습시켰습니다.

비유하자면:

기존 AI 가 "이 케이크는 보통 10 조각으로 나뉜다"라고 외웠다면,
새로운 AI 는 "케이크 안에는 **초콜릿 덩어리 (껍질 효과)**가 있어서, 그 근처에서는 조각이 더 단단하게 뭉쳐지고, 열을 가하면 그 단단함이 조금씩 녹아내린다"는 사실을 알고 있습니다.

3. 핵심 기술: "마법의 레시피 카드 (쉘 팩터)"

연구진이 만든 가장 중요한 도구는 **'쉘 팩터 (Shell Factor)'**라는 입력값입니다.

• 무엇인가요? 원자핵 내부의 '껍질 구조'가 에너지가 높아질수록 어떻게 변하는지를 수학적으로 표현한 카드입니다.
• 어떻게 작동하나요?
  • 에너지가 낮을 때: 껍질 구조가 단단하게 유지되어 조각들이 특정한 모양 (미세 구조) 을 유지합니다.
  • 에너지가 높아질 때: 마치 얼음이 녹듯 껍질 구조가 약해지면서 조각의 모양이 변합니다.
  • AI 는 이 '카드'를 보고, 에너지가 변할 때 조각들이 어떻게 움직일지 자연스럽게 추론해냅니다.

4. 놀라운 결과: "보지 못한 것을 알아맞히다"

이 새로운 AI 를 테스트한 결과는 매우 인상적입니다.

1. 미세한 요철까지 정확히 잡았다: 기존 모델이 평평하게 그렸던 그래프에서, 실제로 존재하는 작은 들쑥날쑥한 부분 (미세 구조) 을 정확히 재현했습니다.
2. 예측의 정확도: AI 가 학습할 때 중성자 방출 데이터 (케이크에서 튀어나오는 빵가루 같은 것) 를 전혀 주지 않았습니다. 그런데도 AI 는 스스로 학습한 결과, 중성자 방출 패턴과 완벽하게 일치하는 예측을 했습니다.
   • 비유: "케이크 조각의 모양만 보고 학습했는데, 나중에 보니 튀어나온 빵가루의 양도 정확히 예측했다"는 뜻입니다. 이는 AI 가 단순한 숫자 맞추기가 아니라, 물리 현상의 본질을 이해했다는 증거입니다.
3. 에너지 변화에 따른 예측: 0.5 MeV 에서 14 MeV 까지의 다양한 에너지 구간에서, 조각들이 어떻게 변하는지 (무거운 조각이 가벼워지는 등) 를 기존 데이터가 없는 구간에서도 자연스럽게 예측했습니다.

5. 결론: 왜 이것이 중요한가요?

이 연구는 **원자력 발전소 설계, 방사성 폐기물 관리, 심지어 우주에서 무거운 원소가 만들어지는 과정 (천체물리학)**을 이해하는 데 큰 도움을 줍니다.

• 기존 방식: "이 사이는 대충 선으로 연결하자." (오류 발생 가능성 높음)
• 새로운 방식: "물리 법칙을 AI 에 심어서, 에너지가 변할 때 조각이 어떻게 변할지 논리적으로 계산하자." (정확하고 신뢰할 수 있음)

한 줄 요약:

"물리 법칙이라는 나침반을 AI 에게 쥐어주니, 이제 AI 는 원자핵이 쪼개질 때 나오는 조각들의 미세한 변화까지 완벽하게 예측할 수 있게 되었습니다."

이 기술은 앞으로 더 안전하고 효율적인 원자력 기술을 개발하는 데 필수적인 도구가 될 것입니다.

기술 요약

논문 요약: 물리 내장 베이지안 신경망 (PE-BNN) 을 이용한 미세 구조를 가진 분열 생성물 수율의 에너지 의존성 예측

1. 연구 배경 및 문제 제기 (Problem)

핵분열 반응 메커니즘의 이해는 핵물리학의 핵심 과제 중 하나이며, 특히 원자로 설계, 핵무기, 천체물리학적 핵합성 등 다양한 분야에서 분열 생성물 수율 (Fission Product Yields, FPY) 데이터는 필수적입니다. 그러나 기존 연구는 다음과 같은 한계를 가지고 있습니다.

• 미세 구조 (Fine Structure) 재현의 어려움: 기존 핵물리 모델이나 경험적 데이터 모델은 동위원소와 입사 중자 에너지에 따른 FPY 의 미세한 구조적 변동을 완전히 재현하지 못합니다.
• 에너지 의존성 예측의 부재: 현재 핵데이터 라이브러리 (예: JENDL-5) 는 주로 열중자 (0.025 eV), 0.5 MeV, 14 MeV 의 세 가지 특정 에너지에서만 수율을 제공합니다. 중간 에너지 영역은 선형 보간으로 추정되지만, 최근 실험 결과들은 이 보간법과 큰 편차가 있음을 보여줍니다.
• 데이터 부족: 단일 에너지 중자원 접근의 제한으로 인해 광범위한 실험 데이터 확보가 어렵고, 이에 대한 견고한 이론적 모델이 필요합니다.

2. 방법론 (Methodology)

저자들은 기존 머신러닝 접근법의 한계를 극복하기 위해 물리 내장 베이지안 신경망 (Physics-Embedded Bayesian Neural Network, PE-BNN) 프레임워크를 개발했습니다.

• 베이지안 신경망 (BNN) 구조:
  • 모델 파라미터에 대한 사후 확률 분포를 계산하여 불확실성을 정량화합니다.
  • No-U-Turn Sampler (NUTS) 를 사용하여 해밀토니안 몬테 카를로 (HMC) 기반의 효율적인 추론을 수행합니다.
  • 2 개의 은닉층 (11-11 뉴런 구성) 을 가진 아키텍처를 채택했습니다.
• 물리 기반 입력 특징 (Physics-Embedded Input):
  • 기존 입력 (질량수 $A$, 합성핵의 전하/질량수, 여기 에너지 $E$) 에 **새로운 '셸 팩터 (Shell Factor, SF)'**를 추가했습니다.
  • 셸 팩터 정의: 분열 시점 (scission) 근처의 셸 효과를 반영하며, 볼츠만 인자 ($\exp(-E/kT)$) 와 가우스 분포를 기반으로 한 항들의 선형 결합으로 구성됩니다.
    • $A=134$ (이중 마법수), $A=140, 144$ (변형된 셸 구조) 등 무거운 조각 영역의 미세 구조를 포착하도록 설계되었습니다.
    • 여기 에너지가 증가함에 따라 셸 효과가 감쇠 (damping) 되는 물리적 현상을 $kT$ (약 1.5 MeV) 파라미터를 통해 모델링했습니다.
• 모델 선택 및 최적화:
  • **WAIC (Watanabe-Akaike Information Criterion)**를 사용하여 하이퍼파라미터를 최적화하고 과적합을 방지하며 모델의 일반화 성능을 평가했습니다.
• 데이터셋:
  • 훈련 데이터: JENDL-5 (6554 개), EXFOR 실험 데이터 (989 개), 이론 모델 (2062 개) 을 혼합하여 가중치를 부여했습니다.
  • 검증 데이터: JENDL-5 의 나머지 20% 와 Tonchev 등 (2025) 의 최신 실험 데이터 (검증용, 훈련에 사용되지 않음) 를 활용했습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

• 미세 구조의 정밀 재현:

  • 셸 팩터 (SF) 를 도입한 PE-BNN 은 $^{235}\text{U}$, $^{232}\text{Th}$, $^{243}\text{Cm}$, $^{251}\text{Cf}$ 등 다양한 핵종에서 **미세 구조 (fine structures)**를 성공적으로 재현했습니다.
  • 특히 $A=134$ (이중 마법수) 주변의 피크는 높은 여기 에너지에서도 유지되는 반면, $A=138, 143$ (변형된 셸) 의 피크는 에너지 증가에 따라 빠르게 감쇠하는 물리적 경향을 정확히 포착했습니다.
  • 로그-가능도 (log-likelihood) 분석 결과, SF 도입은 훈련 및 테스트 성능을 각각 21.3% 와 34.6% 향상시켰습니다.

• 에너지 의존성 예측 및 물리적 일관성:

  • PE-BNN 은 훈련 데이터에 즉발 중자 수 (prompt neutron multiplicity) 정보가 전혀 포함되지 않았음에도 불구하고, 예측된 FPY 의 에너지 의존성이 실험적으로 관측된 즉발 중자 수율의 경향과 높은 일관성을 보였습니다.
  • 물리적 메커니즘: 중자 에너지가 증가하면 무거운 조각 영역에서 즉발 중자 방출이 증가하여 분열 생성물의 질량이 감소합니다. 이로 인해 무거운 조각의 수율 피크가 낮은 질량수 쪽으로 이동하는 현상이 PE-BNN 에 의해 자연스럽게 예측되었습니다. 이는 데이터 보간을 넘어 물리적 상관관계를 학습했음을 시사합니다.

• 검증 및 비교:

  • GEF (General Fission) 모델 및 기존 JENDL-5 데이터와 비교했을 때, PE-BNN 은 0.5 MeV 에서 14 MeV 까지의 광범위한 에너지 영역에서 실험 데이터와 더 잘 일치하는 경향을 보였습니다.
  • 특히 0.5 MeV 와 14 MeV 사이의 중간 에너지 영역에서 선형 보간법과 달리, 실제 실험 데이터 (Tonchev et al.) 와 유사한 비선형적인 에너지 의존성을 보여주었습니다.

4. 의의 및 결론 (Significance)

• 통일된 프레임워크 제공: 이 연구는 분열 생성물 수율의 미세 구조와 에너지 의존성을 하나의 통일된 프레임워크 내에서 설명할 수 있는 첫 번째 사례 중 하나입니다.
• 해석 가능한 머신러닝: 단순한 블랙박스 예측이 아니라, 물리 법칙 (셸 효과, 에너지 감쇠) 을 입력 특징으로 명시적으로 내장함으로써 모델의 예측이 물리적으로 해석 가능하고 신뢰할 수 있음을 입증했습니다.
• 실용적 응용: 원자로 물리 평가, 핵법의학, 천체물리학적 핵합성 연구 등 다양한 분야에서 정확한 에너지 의존성 FPY 데이터가 필요한 상황에서, 실험적으로 측정되지 않은 에너지 영역의 데이터를 신뢰성 있게 예측할 수 있는 강력한 도구를 제시했습니다.
• 데이터 중심의 물리 발견: 훈련 데이터에 중자 수 정보가 없었음에도 불구하고, FPY 데이터 자체에 내재된 물리적 상관관계를 학습하여 중자 방출 시스템과 수율 진화 사이의 인과관계를 복원해냈다는 점은 머신러닝을 통한 물리 법칙 발견의 가능성을 보여줍니다.

이 논문은 핵데이터 평가 및 반응 메커니즘 이해를 위해 통계적 학습과 물리 기반 모델링을 효과적으로 결합한 새로운 패러다임을 제시합니다.