Multi-task deep neural network for predicting both nuclear fission yields and their experimental errors in peak-shaped data

이 논문은 다중 태스크 학습 모델에 새로운 손실 함수와 홀수 - 짝수 효과를 통합하여 핵분열 생성물 수율과 그 실험 오차를 동시에 예측하는 방법을 제안하고, 기존 독립 학습 방식보다 피크 형태의 데이터를 더 정확하게 예측할 수 있음을 입증했습니다.

핵심

이 논문은 원자력 발전소와 핵연료의 안전을 위해 꼭 필요한 '핵분열 생성물 수확량 (FPY)' 데이터를 인공지능으로 더 정확하게 예측하는 방법을 소개합니다.

기존의 복잡한 물리 공식 대신, **인공지능 (딥러닝)**을 활용하여 우리가 아직 실험하지 않은 에너지 상태에서도 핵분열이 일어날 때 어떤 원소들이 얼마나 만들어질지, 그리고 그 예측이 얼마나 틀릴 수 있는지까지 함께 예측하는 기술을 개발했습니다.

이 내용을 일반인이 이해하기 쉽게 세 가지 핵심 비유로 설명해 드리겠습니다.

---

1. 문제 상황: "가파른 산봉우리"를 예측하는 것

핵분열이 일어날 때 생성되는 원소들의 양을 그래프로 그리면, 마치 **두 개의 거대한 산봉우리 (피크)**가 있는 모양을 띱니다.

• 기존의 어려움: 기존의 인공지능이나 물리 모델은 이 산봉우리 사이의 골짜기 (낮은 값) 는 잘 예측하지만, 가파르고 뾰족한 산봉우리 (높은 값) 부분에서는 예측이 잘 안 됩니다. 마치 거친 지형에서 산꼭대기만 놓치고 골짜기만 따라가는 등산객과 같습니다.
• 새로운 목표: 이 뾰족한 산봉우리 부분도 정확하게 예측하면서, 동시에 "이 예측이 얼마나 틀릴 수 있는지 (오차)"까지 알려주는 시스템을 만들고 싶었습니다.

2. 해결책 1: "두 가지 일을 동시에 하는 쌍둥이 팀" (멀티태스크 학습)

기존에는 '원소 양 예측'과 '오차 예측'을 각각 따로따로 공부시켰습니다. 하지만 이 논문은 **두 가지 일을 동시에 하는 '쌍둥이 팀'**을 만들었습니다.

• 비유: 한 학생이 '수학 점수'를 예측하는 일을 하고, 다른 학생이 '수학 점수 예측의 오차'를 예측한다고 칩시다. 둘은 따로 공부하면 서로 도움이 안 됩니다. 하지만 한 팀이 되어 함께 공부하면, "수학 점수가 높을 때는 오차가 작고, 낮을 때는 오차가 클 수도 있다"는 상호 관계를 깨닫게 되어 두 사람 모두 실력이 급격히 좋아집니다.
• 기술적 이름: 이 방법을 **MMoE(Multi-gate Mixture-of-Experts)**라고 합니다. 여러 전문가 (신경망) 가 모여서 각자擅长的 (잘하는) 부분을 공유하며, 두 가지 목표 (양과 오차) 를 동시에 달성하도록 돕는 구조입니다.

3. 해결책 2: "산봉우리에게 더 많은 점수를 주는 시험지" (가중치 손실 함수)

인공지능을 훈련시킬 때, 보통은 모든 데이터에 똑같은 중요도를 줍니다. 하지만 이 논문은 **"가파른 산봉우리 (피크) 데이터"에 더 높은 점수 (가중치)**를 부여하는 특별한 시험지를 만들었습니다.

• 비유: 학생이 시험을 볼 때, 평범한 문제는 1 점, 하지만 **가장 중요한 고난이도 문제 (산봉우리)**는 10 점으로 치고, 이를 맞추지 못하면 큰 감점을 주었습니다.
• 결과: 인공지능은 "아, 이 부분이 가장 중요하구나!"라고 깨닫고, 산봉우리 부분을 맞추기 위해 집중적으로 학습하게 됩니다. 덕분에 뾰족한 피크 부분의 예측 정확도가 크게 향상되었습니다.

4. 해결책 3: "짝수/홀수 규칙"을 힌트로 활용 (홀짝 효과)

원자핵의 성질을 보면, 원자량이 짝수인 원소는 홀수인 원소보다 더 안정적이고 많이 만들어지는 경향이 있습니다. 이를 '홀짝 효과'라고 합니다.

• 비유: 인공지능에게 "산봉우리 모양이 매끄러운 게 아니라, 짝수 단계에서는 살짝 튀어 오르고 홀수 단계에서는 살짝 꺼지는 '톱니바퀴' 모양을 기억해"라고 힌트를 준 것입니다.
• 효과: 이 힌트를 추가한 덕분에 인공지능은 데이터의 미세한 요동 (진동) 까지 정확하게 따라 잡을 수 있게 되었습니다.

---

🌟 요약 및 결론

이 연구는 **"원자핵이 쪼개질 때 어떤 원소가 얼마나 만들어질지"**를 예측할 때, 다음과 같은 혁신적인 방법을 사용했습니다:

1. 함께 배우기: 양을 예측하는 일과 오차를 예측하는 일을 동시에 시켜서 서로 도와가며 실력을 키웠습니다.
2. 중요한 부분 집중: 평범한 데이터보다 가장 중요한 산봉우리 (피크) 데이터에 더 큰 비중을 두어 학습시켰습니다.
3. 자연의 법칙 활용: 원자핵의 짝수/홀수 성질을 힌트로 주어 예측의 정밀도를 높였습니다.

이 기술이 왜 중요한가요?
우리는 아직 실험하지 않은 에너지 상태 (예: 고속로 같은 새로운 원자로) 에서도 핵분열 생성물을 정확히 알아야 안전을 설계할 수 있습니다. 이 새로운 인공지능 기술은 아직 실험되지 않은 미래의 데이터를 기존 데이터로 학습하여, 오차 범위까지 함께 예측해 줍니다. 이는 원자로 설계, 핵폐기물 처리, 그리고 원자력 안전 평가에 매우 중요한 나침반이 될 것입니다.

결론적으로, 이 논문은 **"복잡한 산봉우리 지도를 그릴 때, 지도 제작자 (AI) 가 산꼭대기와 오차까지 함께 그려내는 더 똑똑한 방법을 찾아냈다"**고 말할 수 있습니다.

기술 요약

논문 요약: 다중 태스크 딥러닝을 활용한 핵분열 생성물 수율 (FPY) 및 실험 오차 예측

1. 연구 배경 및 문제 제기 (Problem)

• 핵분열 생성물 수율 (FPY) 의 중요성: 핵에너지 설계, 시뮬레이션, 안전 평가 등에 필수적인 데이터이나, 현재 주요 핵데이터 라이브러리 (JENDL, ENDF 등) 는 열중자 에너지 (0.5 eV) 와 특정 고에너지 (14 MeV) 데이터만 보유하고 있어, 다른 에너지 영역 (특히 고속로) 의 데이터는 예측에 의존해야 합니다.
• 예측의 어려움: 기존 현상론적 모델이나 미시적 모델 (TDHFB, TDGCM 등) 은 계산 비용이 매우 크거나, 실험적으로 관측되지 않는 에너지 영역의 FPY, 특히 피크 (Peak) 형태의 불규칙한 분포를 정확히 예측하는 데 한계가 있습니다.
• 기존 머신러닝의 한계: 베이지안 신경망 (BNN) 은 불확실성 정량화 (Uncertainty Quantification) 가 가능하나, FPY 데이터의 피크 구조 (가파르고 불규칙한 분포) 를 모델링하는 데 어려움이 있으며, 주로 가우시안 분포를 가정하여 피크의 세부 구조를 재현하는 데 제약이 있습니다.
• FPY 와 오차의 상관관계: FPY 값과 실험 오차 (FPY error) 는 강한 상관관계를 가지며, 이를 독립적으로 학습하는 기존 방식은 상호 보완적인 학습 기회를 놓치고 있습니다.

2. 제안된 방법론 (Methodology)

이 연구는 다중 태스크 학습 (Multi-task Learning) 프레임워크를 도입하여 FPY 값과 해당 실험 오차를 동시에 예측하는 새로운 모델을 제안합니다.

• 모델 아키텍처: Multi-gate Mixture-of-Experts (MMoE)
  • 입력 벡터 (전하수, 중성자수, 질량수, 여기 에너지) 를 받아 두 가지 태스크 (FPY 값 예측, FPY 오차 예측) 를 동시에 수행합니다.
  • 게이트 메커니즘을 통해 각 태스크에 최적화된 서브 네트워크 (Expert) 를 동적으로 할당하여, 두 태스크 간의 상관관계를 활용하여 학습 효율을 극대화합니다.
• 새로운 손실 함수 (Weighted Loss Function)
  • FPY 데이터의 피크 구조를 정확히 학습하기 위해 표준 평균 제곱 오차 (MSE) 대신 가중치 손실 함수를 도입했습니다.
  • 정규화된 FPY 값이 임계값 ($r$) 이상인 '피크 데이터'에는 가중치 ($w(y_i)$) 를 부여하여 모델이 피크 영역에 더 민감하게 반응하도록 설계했습니다. 비피크 데이터의 가중치는 최소화하여 피크 재현 능력을 강화합니다.
• 입력 특징: 홀짝 효과 (Odd-Even Effect) 통합
  • 핵분열 생성물 수율 분포에서 나타나는 질량수 홀짝에 따른 수율 차이를 포착하기 위해, 질량수 ($A$) 의 홀짝성을 나타내는 이진 지시자 (Parity Indicator) 를 추가 입력 특징으로 활용했습니다.
• 데이터 소스 및 증강
  • JENDL-5 라이브러리의 평가된 FPY 값 및 오차 데이터를 사용했습니다.
  • 중간 에너지 영역의 데이터 부족을 보완하기 위해 가우스 모델 (Katakura Gaussian model) 을 기반으로 한 보조 데이터를 생성하여 학습에 활용했습니다.

3. 주요 기여 (Key Contributions)

1. 동시 예측 프레임워크: FPY 값과 실험 오차를 독립적으로 예측하는 기존 방식과 달리, MMoE 를 통해 두 값을 동시에 학습하여 상호 보완적인 정보를 활용함으로써 예측 정확도를 향상시켰습니다.
2. 피크 특화 손실 함수: 피크 형태의 데이터 분포를 효과적으로 학습하기 위해 가중치 손실 함수를 개발하여, 기존 MSE 기반 학습에서 발생하는 피크 영역의 과소적합 (Underfitting) 문제를 해결했습니다.
3. 물리적 지식 통합: 핵물리학적 현상인 홀짝 효과를 모델 입력에 명시적으로 통합하여, FPY 분포의 미세한 진동 구조를 더 정밀하게 재현할 수 있게 했습니다.
4. 불확실성 추정: BNN 의 신뢰구간 (CI) 대신, JENDL-5 의 평가 오차 데이터를 직접 학습하여 실험 오차 값을 예측함으로써, 피크 구조의 세부적인 예측 성능을 평가하는 데 초점을 맞췄습니다.

4. 실험 결과 (Results)

• 성능 비교: 제안된 방법 (Multi-task DNN + Weighted Loss + Odd-Even) 은 베이지안 신경망 (BNN) 및 단일 태스크 DNN 보다 전체 $\chi^2$ 오차와 피크 영역 $\chi^2$ 오차에서 일관되게 우수한 성능을 보였습니다.
  • 특히 $^{235}\text{U}$, $^{238}\text{U}$, $^{239}\text{Pu}$, $^{241}\text{Pu}$ 등 주요 액티나이드에 대해 다양한 에너지 (0.5 MeV, 14 MeV 등) 조건에서 검증되었습니다.
  • 피크 영역의 예측 오차가 가장 크게 감소했으며, 음수 예측 (물리적으로 불가능한 FPY) 발생률도 BNN(17.52%) 대비 Multi-task DNN(8.29%) 에서 현저히 낮았습니다.
• 가중치 손실 함수의 효과: 피크 데이터에 대한 가중치 부여는 피크 구조의 재현도를 크게 향상시켰습니다.
• 홀짝 효과의 효과: 대부분의 경우 홀짝 효과를 추가하면 예측 정확도가 향상되었으나, 피크 구조가 매우 매끄러운 특정 경우 (예: $^{239}\text{Pu}$ at 0.5 MeV) 에는 오히려 성능이 저하되기도 하여 데이터 특성에 따른 적용이 필요함을 시사했습니다.
• 에너지 의존성 예측: 보간된 에너지 영역 (0.58 MeV ~ 14.8 MeV) 에서도 FPY 분포의 이중 피크 구조, 피크 위치 이동, 피크 폭 변화 등 물리적 경향을 잘 학습하고 예측함을 확인했습니다.

5. 의의 및 결론 (Significance)

• 핵데이터 예측의 혁신: 기존 물리 모델의 계산 비용 한계와 머신러닝의 피크 구조 예측 한계를 극복하여, 측정되지 않은 에너지 영역의 FPY 및 오차를 동시에 고품질로 예측할 수 있는 새로운 패러다임을 제시했습니다.
• 실용적 가치: 예측된 FPY 오차 데이터는 핵반응로 설계, 재처리 시설 계획, 지질학적 처분장 안전성 평가 등 공학적 의사결정에 필수적인 불확실성 정보를 제공합니다.
• 향후 과제: 현재 주요 액티나이드에 국한된 검증을 넘어 다양한 핵종으로의 일반화 능력 검증, 보조 데이터의 오차 추정 방법 개선 (가우스 모델의 한계 보완), 그리고 손실 함수의 지속적인 고도화가 필요하다고 결론지었습니다.

이 연구는 핵물리학 분야에서 머신러닝을 적용할 때, 물리적 지식 (홀짝 효과) 과 데이터 특성에 맞는 손실 함수 설계, 그리고 다중 태스크 학습의 시너지를 결합함으로써 예측 성능을 획기적으로 개선할 수 있음을 입증했습니다.