Exterior complex scaling enables physics-informed neural networks for quantum scattering

이 연구는 외부 복소 스케일링(exterior complex scaling)이 감쇠하지 않는 산란 파동 함수를 지수적으로 감쇠하는 형태로 변환한다는 것을 입증하며, 이를 통해 물리 정보 신경망(physics-informed neural networks)이 최초로 핵 산란 문제를 정확하게 해결할 수 있도록 하여 효율적인 역문제 및 복잡한 반응 모델링을 위한 길을 열어준다.

핵심

거대한 문제: "끝없는 메아리"

당신이 공이 벽에 맞고 어떻게 튀어 오를지 예측하려고 한다고 상상해 보세요. 원자와 원자핵의 세계에서 이 "공"은 입자이고, "벽"은 또 다른 원자핵입니다. 이들이 충돌할 때, 그들은 단순히 멈추는 것이 아니라 산란됩니다.

물리학에서 이 산란을 설명하는 수학은 마치 멈추지 않고 계속 움직이는 파동과 같습니다. 그것은 끝없는 협곡에서 울려 퍼지는 소리 파동처럼 영원히 앞뒤로 진동하며 계속됩니다.

수십 년 동안 과학자들은 이 방정식을 풀기 위해 표준 컴퓨터 프로그램을 사용해 왔습니다. 이 프로그램들은 격자나 사다리처럼 작동합니다. 즉, 한 지점에서 다음 지점으로 단계적으로 이동하는 방식입니다. 하지만 파동이 결코 멈추지 않기 때문에, 컴퓨터는 정답을 얻기 위해 영원히 단계를 밟아야만 합니다. 만약 사다리를 너무 일찍 멈추면, 잘못된 답을 얻게 됩니다 (마치 있어서는 안 될 벽에 부딪혀 돌아오는 메아리처럼 말이죠).

최最近, **물리 정보 신경망(Physics-Informed Neural Network, PINN)**이라는 새로운 유형의 컴퓨터 프로그램이 인기를 얻었습니다. PINN을 격자를 따라 단계적으로 이동하는 대신, 게임의 규칙(물리 방정식)을 보고 학습하는 아주 똑똑한 학생이라고 생각해보세요. PINN은 무언가가 진정되고 멈추는 문제(예: 열이 식어가는 과정)를 해결하는 데 탁월합니다. 하지만 핵 산란의 경우, "파동"이 진정되지 않고 영원히 계속 진동하기 때문에 PINN은 처참하게 실패합니다. 학생은 혼란에 빠져 답을 찾지 못하게 됩니다.

해결책: "복소수 거울"

이 논문의 저자인 진 레이(Jin Lei)는 신경망 학생이 문제를 이해할 수 있도록 하는 영리한 트릭을 찾아냈습니다. 그는 **외부 복소 스케일링(Exterior Complex Scaling, ECS)**이라는 수학적 기법을 사용했습니다.

핵 충돌이 방 안에서 일어난다고 상상해 보세요.

1. 실제 방: 방 안(원자핵 근처)에서 물리는 정상적입니다. 입자는 이리저리 튀어 다니고, 벽은 실재합니다.
2. 복소수 거울: 입자가 방을 떠나 "외부"로 들어서면, 저자는 바닥을 다른 차원(복소 평면)으로 세계를 기울여버리는 거울로 바꿉니다.

이 기울어진 "복소수" 세계에서는 끝없이 진동하던 파동이 갑식 변합니다. 파동이 영원히 앞뒤로 튀어 다니는 대신, 마치 짙은 안개 속에서 소리가 사라지듯 서서히 사라지기 시작합니다. 이것은 "지수적으로 감쇠하는 파동"이 됩니다.

이제 신경 네트워크 학생은 행복해집니다! 학생은 파동이 서서히 사라지고 멈추는 것을 보게 됩니다. 문제는 학생이 잘 해결하는 "진정되는" 문제의 형태를 띠고 있기 때문에, 학생은 규칙을 쉽게 학습할 수 있습니다.

"구동된(Driven)" 트릭: 노이즈 분리하기

이 작업이 완벽하게 작동하도록 하기 위해, 저자는 문제를 묻는 방식 또한 변경했습니다.

신경망에게 전체 파동을 처음부터 스스로 알아내라고 요구하는 대신, 그는 이를 두 부분으로 나누었습니다.

1. 알려진 부분: 컴퓨터가 이미 계산할 수 있는 "배경" 파 wave (표준적인 음파와 같은 것).
2. "구동된(Driven)" 부분: 충돌로 인해 발생하는 복잡하고 흥미로운 부분.

저자는 "복잡한" 부분이 실제로 핵이 맞닿는 곳(실제 방)에서만 존재하도록 수학적으로 설정했습니다. 일단 입자가 그 방을 떠나면, "복잡한" 부분은 강제로 0이 됩니다. 즉, 신경 네트워크는 실제 방 안에서만 복잡한 부분을 학습하면 되고, 그 이후에는 복소수 거울 속에서 그것이 사라지는 것을 지켜보기만 하면 됩니다. 신경 네트워크는 무한히 먼 거리에서 어떤 일이 일어날지 추측할 필요가 없습니다. 수학이 그것을 사라지도록 강제하기 때문입니다.

결과: 새로운 방법의 테스트

저자는 이 새로운 방법이 작동함을 증명하기 위해 두 가지 다른 시나리오에서 테스트를 진행했습니다.

1. 가벼운 테스트 (중성자 + 칼슘): 중성자가 칼슘 원자핵을 때리는 상황을 시뮬레이션했습니다. 결과는 믿을 수 없을 정도로 정확했으며, 기존의 가장 뛰어난 컴퓨터 방식과 거의 완벽하게 일치했습니다. 그 차이는 너무 작아서 거의 눈에 띄지 않을 정도였습니다 (튀어 오르는 각도에서 0.1도 미만).
2. 무거운 테스트 (리튬 + 납): 리튬과 납 사이의 더 무거운 충돌을 시뮬레이션했습니다. 이는 입자 사이의 전기적 반발력이 매우 크기 때문에 더 어려운 작업입니다. 그럼에도 불구하고 이 방법은 입자들이 간신히 맞닿는 까다로운 "회색 지대"에서도 입자들이 어떻게 산란되는지를 정확하게 예측하며 여전히 잘 작동했습니다.

이 연구가 중요한 이유 (논문에 따르면)

이 논문은 다음과 같은 이유로 이것이 획기적인 성과라고 주장합니다.

• 다른 이들이 실패한 곳에서 성공함: 신경 네트워크가 이러한 특정 핵 산란 문제를 성공적으로 해결한 첫 번째 사례입니다.
• "엔드 투 엔드(End-to-End)" 방식: 전체 과정이 신경 네트워크를 기반으로 구축되었기 때문에, 입력값(예: 핵력의 세기)을 조정하면 컴퓨터는 출력이 어떻게 변하는지 즉각적으로 알 수 있습니다. 이는 입자가 어떻게 튀어 오르는지를 통해 원자핵의 모양이 어떠한지를 알아내는 "역문제(inverse problems)"를 푸는 데 매우 유용합니다.
• "어려운 것들"을 처리함: 경직된 격자를 구축할 필요 없이 복잡한 형태와 다수의 입자를 다룰 수 있습니다. 기존의 방식은 상황이 너무 복잡해지면 컴퓨터가 멈추는 경우가 많았습니다.

요약하자면: 저자는 불가능하고 끝없이 이어지는 파동 문제를 현대적인 AI가 쉽게 해결할 수 있는 단순하고 사라지는 파동 문제로 바꾸는 수학적 "깔때기(복소 스케일링)"를 만들어냈습니다.

기술 요약

기술 요약: 외부 복소 스케일링을 통한 핵반응용 물리 정보 신경망 구현

문제 정의
물리 정보 신경망(PINN)은 다양한 영역에서 미분 방정식을 해결하는 강력한 도구로 부상했습니다. 그러나 핵 산란(nuclear scattering)에 대한 PINN의 적용은 산란 파동 함수의 본질적인 특성으로 인해 근본적인 제약을 받아왔습니다. 결합 상태(bound-state) 문제와 달리, 산란 파동 함수는 무한대에서 소머펠트 조건(Sommerfeld conditions)을 만족하며 모든 반경에서 진동하는 특성을 가집니다. 전통적인 PINN은 유한한 계산 영역에서 작동하며, 해와 독립적으로 지정될 수 있는 경계 조건을 필요로 합니다. 이처럼 진동하며 감쇠하지 않는 방사 경계 조건과 유한 영역 계산 사이의 불일치는, 영역을 절단할 경우 발생하는 가짜 반사(spurious reflections)가 해를 오염시키기 때문에, 단순한 디리클레(Dirichlet) 또는 노이만(Neumann) 조건을 적용할 수 없게 만듭니다. 이러한 진동하는 방사 조건과 유한 영역 계산 사이의 부조화는 기존에 PINN을 핵반응 문제에 적용하는 것을 가로막는 장애물이었습니다.

방법론
본 연구는 경계 조건 문제를 극복하기 위해 **외부 복소 스켈링(Exterior Complex Scaling, ECS)**을 PINN과 결합한 프레임워크를 소개합니다. 이 방법론은 세 가지 주요 구성 요소로 이루어집니다:

1. 외부 복소 스케일링 (ECS): 반경 좌표 $r$을 스케일링 반경 $R_0$ 너머에서 복소 평면으로 해석적으로 연속화합니다. $r > R_0$인 경우, 좌표는 각도 $\theta$만큼 회전합니다. 이 변환은 외부로 나가는 진동 파동($e^{ikr}$)을 지수적으로 감쇠하는 함수($e^{ikr \cos \theta} e^{-kr \sin \theta}$)로 변환합니다. 결과적으로, 산란 문제는 제곱 적분 가능($L^2$) 경계 조건을 갖는 문제로 변환되어, 가짜 반사 없이 유한한 외곽 경계에서 파동 함수를 0으로 설정할 수 있게 됩니다. 결정적으로, ECS 변환은 핵 상호작용 영역을 실수축에 유지함으로써 핵 퍼텐셜을 복소 평면으로 해석적으로 연속화할 필요가 없도록 합니다.

2. 구동 방정식(Driven-Equation) 정식화: 학습 과업을 더욱 단순화하기 위해, 전체 파동 함수 $u(r)$을 알려진 입사 쿨롱 파동 $u_{in}(r)$과 산란 파동 $u_{sc}(r)$의 합으로 분해합니다. 산란 파동은 소스 항(source term)이 전적으로 실수축 내(핵 영역 내)에 국한된 비제차 구동 방정식을 만족합니다. ECS 영역($r > R_0$)에서 소스 항은 소멸하며, 산란 파동은 지수적으로 감쇠하는 경계 조건을 갖는 제차 방정식을 만족합니다. 이 정식화를 통해 신경망은 진동하는 함수가 아닌, 0으로 감쇠하는 함수를 학습할 수 있습니다.

3. 신경망 구조 및 훈련:

   • 구조: 산란 파동의 실수부와 허수부를 표현하기 위해 사인 활성화 함수($\sin(z)$)를 사용하는 완전 연결 피드포워드 네트워크를 사용합니다.
   • 경계 조건: $u_{sc}(0)=0$ 및 $u_{sc}(R_{max})=0$을 강제하기 위해 하드코딩된 곱셈 인자를 사용합니다. 또한, 표준적인 $r^{\ell+1}$ 거동이 신경망에 매우 작은 값을 출력하도록 요구하여 수치적 오버플로가 발생할 수 있는 고각운동량($\ell$) 채널을 방지하기 위해 **시그모이드 캡핑 경계 조건 인자(sigmoid-capped boundary condition factor)**를 도입했습니다.
   • 손실 함수: 손실 함수는 구동 방정식의 잔차(residual)와 자명한 해($u_{sc}=0$)를 방지하기 위한 **앵커 항(anchor term)**을 결합합니다.
   • 자동 적응형 앵커 웜다운(Auto-Adaptive Anchor Warm-Down): 소스 항이 약한 채널(높은 $\ell$ 또는 강한 쿨롱 억제)의 경우, 고정된 앵커가 해에 편향을 줄 수 있습니다. 저자들은 소스 크기가 특정 임계값 아래로 떨어지는 채널에 대해 앵커 가중치를 0으로 선형적으로 "웜다운"하는 자동 적응 메커니즘을 구현했습니다. 이는 최종 해가 잔차 손실에 의해서만 구동되도록 하여, 투과성이 높은 채널에서의 인위적인 흡수 편향을 제거합니다.
   • 훈련 전략: Adam 옵티마이저에 이은 L-BFGS를 사용하는 2단계 훈련 과정을 채택했습니다. 중이온 시스템의 경우, 안정적인 수렴을 보장하기 위해 핵 내부에서 외부로 훈련 영역을 점진적으로 확장하는 인과적 훈련 전략을 사용합니다.

주요 기여

• PINN의 핵반응 분야 첫 적용: 본 연구는 ECS를 통해 경계 조건 불일치 문제를 해결함으로써 핵 산란 문제에 PINN을 성공적으로 적용한 첫 사례를 보여줍니다.
• 구동 방정식 정식화: 핵 퍼텐셜의 해석적 연속화 없이 소스가 국한된 구동 방정식을 개발했습니다.
• 기술적 혁신: 고-$\ell$ 안정성을 위한 시그모이드 캡핑 경계 인자와 약한 소스 채널의 편향 없는 처리를 위한 자동 적응형 앵커 웜다운을 도입했습니다.
• 엔드 투 엔드 미분 가능성: 이 프레임워크는 전체 계산 과정을 미분 가능하게 구축하여, 광학 퍼텐셜 파라미터를 직접 경사 하강법으로 최적화할 수 있는 파이프라인을 확립했습니다(역문제 해결).

결과
본 방법론은 (복소 스케일링을 사용하는 Lagrange-mesh 이산화 방식인) 기존 COLOSS 코드와 비교하여 두 가지 벤치마크 시스템에 대해 검증되었습니다.

1. 중성자-핵 산란 ($n + ^{40}\text{Ca}$ at 20 MeV):

   • Koning-Delaroche 글로벌 광학 퍼텐셜을 사용하여 21개의 부분파(spin-orbit 파트너를 포함하여 $\ell=10$까지)를 계산했습니다.
   • 정확도: 강하게 흡수되는 채널($\ell \le 4$)에서 위상 변화 오차($\Delta\delta$)는 $\lesssim 0.1^\circ$였으며, $\ell=10$까지의 모든 채널에서 $\le 0.60^\circ$였습니다. 모든 채널의 평균 오차는 $0.09^\circ$였습니다.
   • 파동 함수: PINN과 참조 해 사이의 상대적 RMS 차이는 저-$\ell$ 채널에서 $0.15\%$ 미만이었으며, 최악의 채널에서도 $2\%$ 미만이었습니다.

2. 중이온 산란 ($^6\text{Li} + ^{208}\text{Pb}$ at 40 MeV):

   • 강한 쿨롱 효과($\eta \approx 15$)를 갖는 41개의 부분파를 계산했습니다.
   • 정확도: 모든 부분파에 대한 평균 S-행렬 정확도는 $|\Delta|S_\ell|| \approx 3 \times 10^{-3}$였습니다. 흡수-투과 전이 영역($\ell \approx 25\text{--}30$)의 까다로운 구간에서도 오차는 $0.007$ 미만을 유지했습니다.
   • 관측량: 계산된 러더퍼드 비율(Rutherford ratio)은 참조 해를 3개 차수(order)에 걸쳐 재현하였으며, 특유의 쿨롱-핵 간섭 패턴을 포착했습니다.

의의 및 주장
본 논문은 이 작업이 PINN을 핵반응 물리학으로 확장하는 기초를 마련한다고 주장합니다. 주요 의의는 엔드 투 엔드 미분 가능성을 제공한다는 점에 있으며, 이를 통해 전통적으로 비용이 많이 드는 외부 루프 최적화 없이도 실험 데이터에 광학 퍼텐셜 파라미터를 직접 피팅할 수 있습니다. 또한, 메쉬 프리(mesh-free) 특성은 격자 기반 방식이 지수적인 비용 문제를 겪는 결합 채널 반응(coupled-channel reactions) 및 다체 산란(예: Faddeev 방정식) 문제를 해결할 수 있는 경로를 제시합니다.

저자들은 현재 이 방법이 물리 현상이 ECS 스케일링 반경보다 작은 반경에 국한된 반응(탄성, 비탄성, 전이 반응)에 제한된다고 명시했습니다. 장거리 전자기 전이(예: 서브 배리어 쿨롱 들뜸)에 의해 지배되는 과정은 이 프레임워크 내에서 직접 처리할 수 없습니다. 현재 계산 비용은 기존 적분법보다 높지만(채널당 몇 분 vs 몇 초), 미분 가능성이나 메쉬 프리 정식화가 필요한 연구 목적에는 충분히 수용 가능한 수준이라고 주장합니다.