Nuclear Reaction Data for Fission Products Off Stability

이 논문은 불안정한 핵분열 생성물에 대한 신뢰할 수 있는 중성자 단면적 데이터의 부족 문제를 해결하기 위해, 머신러닝, 핵 변형을 고려한 개선된 예측 모델링, 그리고 실험 데이터를 결합하여 향후 ENDF/B 릴리스를 위한 평가 파일을 생성하는 것을 목표로 하는 방법론을 개설한다.

핵심

당신이 날씨를 예측하려고 노력하고 있다고 상상해 보십시오. 수천 개의 기상 관측소가 있는 잘 알려진 도시를 보고 있다면, 당신은 매우 정확한 예보를 할 수 있습니다. 하지만 아무도 가본 적 없는 외딴 미개척 정글의 날씨를 예측해야 한다면, 당신은 다른 곳에 있는 유사한 정글에 대해 알고 있는 지식을 바탕으로 추측해야만 합니다.

이 논문은 날씨 대신 원자핵을 대상으로 바로 그 작업을 수행하는 것에 관한 것입니다.

문제: 원자의 "미개척 정글"

과학자들은 중성자(작은 입자)가 핵분열(원자를 쪼개는 과정) 중에 생성된 특정 원자들과 어떻게 상호작나는지 알아야 합니다. 이는 핵폐기물 관리, 핵 안전 확보, 그리고 별의 작동 원리를 이해하는 데 매우 중요합니다.

안정적인 원자들(지구상에 자연적으로 존재하는 원자들)의 경우, 우리에게는 많은 실험 데이터와 "기상 관측소"가 있습니다. 우리는 그것들이 어떻게 행동하는지 정확히 알고 있습니다. 하지만 불안정한 핵분열 생성물(원자로에서 생성되어 오래 지속되지 않는 원자들)의 경우, 실험 데이터가 거의 없습니다. 이는 마치 데이터가 전혀 없는 외딴 정글의 날씨를 예측하려는 것과 같습니다.

현재 과학자들은 빈칸을 채우기 위해 "단순화된 추측"(이론적 모델)을 사용해야 합니다. 문제는 이 추측들이 종종 원자를 당구공처럼 완벽한 구형이라고 가정한다는 점입니다. 하지만 이러한 불안정한 원자들 중 상당수는 당구공이 아니라 럭비공처럼 찌그러지거나 늘어난 모양을 하고 있습니다. "당구공" 모델을 "럭비공"에 적용하면 큰 오류가 발생합니다.

해결책: 더 똑똑한 도구 모음

브룩헤이븐, 로렌스 리버모어, 오하이오 대학교 연구팀은 더 나은 답을 얻기 위해 새로운 도구 모음을 구축하고 있습니다. 그들은 이 프로젝트를 RREFPOS(Realistic Reaction Evaluations for Fission Products Off Stability)라고 부릅니다.

그들이 세 가지 주요 도구를 사용하여 문제를 해결하는 방법은 다음과 같습니다.

1. "모양 변환" 모델 (변형 고려)
모든 원자가 완벽한 구형이라고 가정하는 대신, 그들은 원자의 실제 모양을 고려하는 새로운 방법을 사용합니다.

• 비유: 공을 벽에 던지는 상황을 상상해 보십시오. 만약 벽이 평평하다면(구형), 공은 예측 가능한 방식으로 튕겨 나옵니다. 만약 벽이 휘거나 울퉁불퉁하다면(변형된 핵), 공은 다르게 튕겨 나갑니다.
• 해결책: 그들은 이 원자들을 럭비공처럼 취급하는 "결합 채널(coupled-channels)" 접근 방식을 사용합니다. 그들은 컴퓨터에 특정 "변형 파라미터"(원자가 얼마나 찌그러졌거나 늘어났는지)를 입력하여, 수학적 계산이 단순화된 환상이 아닌 현실을 반영하도록 합니다.

2. "AI 번역기" (머신러닝)
모든 불안정한 원자를 직접 측정할 수 없기 때문에, 그들은 인공지능의 도움을 받습니다.

• 비유: 독일어와 프랑스어를 모두 할 줄 아는 번역가를 생각해 보십시오. 만약 당신이 한 번도 본 적 없는 언어(스와힐리어)로 된 문장을 번역해 달라고 요청한다면, 그들은 어려움을 겪을 것입니다. 하지만 그들에게 독일어와 프랑스어가 서로 어떤 관계인지 알려주는 사전이 있다면, 그들은 그 패턴을 바탕으로 스와힐리어에 대해 매우 교육적인 추측을 할 수 있습니다 있습니다.
• 해결책: 그들은 신경망(AI의 일종)을 훈련시켜 "원자의 지도" 전반에서 중성자 반응이 작동하는 패턴을 학습하게 합니다. 이 AI는 단순히 추측하는 것이 아니라, 고급 물리학 이론을 사용하여 알려진 이웃 원자를 통해 그 지식을 미지의 불안정한 원자로 번역합니다. 이는 무작위적인 도박보다 훨씬 더 똑똑한 "최선의 추측"을 제공합니다.

3. "새로운 기상 관측소" (실험적 측정)
그들의 추측이 맞는지 확인하기 위해, 그들은 실험실에 새로운 "기상 관측소"를 구축하고 있습니다.

• 비유: 정글의 날씨를 단순히 추측하는 대신, 드론을 보내 직접 몇 가지 측정을 수행하는 것과 같습니다.
• 해결책: 그들은 입자 가속기를 사용하여 지르코늄(Zirconium)이나 니오븀(Niobium)과 같은 특정 원자에 대한 "핵 준위 밀도"(원자가 가질 수 있는 에너지 상태의 수를 세는 전문적인 방식)를 측정하는 새로운 실험을 수행하고 있습니다. 이는 모델에 실질적인 데이터를 제공하여, AI와 모양 변환 수학이 경로를 벗어나지 않도록 고정하는 역할을 합니다.

목표: 원자를 위한 더 나은 "사용 설명서"

궁극적인 목표는 이 불안정한 원자들을 위한 새로운 고품질 "사용 설명서"(평가 파일)를 만드는 것입니다.

• 현재 상태: 데이터가 부족하기 때문에 설명서는 빈 페이지나 거친 낙서로 가득 차 있습니다.
• 미래 상태: 그들은 원자의 기묘한 모양을 고려하고 AI를 사용하여 빈칸을 채움으로써, 이 페이지들을 현실적인 데이터로 채우고자 합니다.

그들은 이 새로운 설명서를 엔지니어와 과학자들이 원자로를 설계하고 핵 사건을 분석할 때 사용하는 글로벌 데이터베이스인 ENDF/B 라이브러리에 제출할 계획입니다. 이 데이터를 더 정확하게 만듦으로써, 그들은 핵 에너지의 안전성과 효율성, 그리고 핵 비확산 노력을 개선하기를 희망합니다.

요약하자면: 그들은 "정글의 날씨를 추측하는 것"에서 벗어나, "드론, AI, 그리고 모양 변환 수학을 사용하여 정글을 정확하게 지도화"함으로써 우리가 안전하게 항해할 수 있도록 만들고 있습니다.

기술 요약

기술 요약: 불안정 핵종에 대한 현실적 반응 평가 (RREFPOS)

문제 정의
동위원소 생성 및 소멸을 정확하게 모델링하는 것은 핵비확산 및 포렌식에서부터 사용후핵연료 분석, 원자로 설계, 천체물리학에 이르는 다양한 응용 분야에 있어 매우 중요합니다. 이러한 응용 분야에는 핵분열 생성물에 대한 중성자 단면적의 완전한 기술이 필요합니다. 평가된 핵 데이터 라이브러리(예: ENDF/B-VIII.1)는 안정성 근처 또는 안정 상태의 동위원소에 대해서는 신뢰할 수 있는 데이터를 제공하지만, 불안정한 핵분열 생성물에 대한 데이터는 부족하거나 존재하지 않는 경우가 많습니다. 결과적으로 평가자들은 이론적 외삽에 의존해야 합니다. TENDL 라이브러리와 같은 기존의 대안들은 확률론적 공명 생성(stochastic resonance generation)이나 구형 광학 모델 포텐셜(spherical optical model potentials)과 같은 단순화된 가정을 채택하는 경우가 많으며, 이는 핵 변형(nuclear deformation)을 반영하지 못하고 불확실성을 정량화하지 못한다는 한계가 있습니다. 이러한 한계로 인해 기존 데이터는 불안정한 핵을 다루는 고정밀 응용 분야에 사용하기에 불충분합니다.

방법론
RREFPOS 프로젝트는 특히 $^{235}$U의 자발 핵분열에서 생성되는 핵종을 주 대상으로 하며, $^{239}$Pu 및 $^{252}$Cf를 부차적인 목표로 하여, 불안정 핵분열 생성물에 대한 완전한 중성자 평가를 개발하고 보급하는 것을 목표로 합니다. 본 방법론은 세 가지 에너지 영역을 다룹니다:

1. 공명 영역 (Resonance Region):

   • 과제: 불안정한 핵은 직접적인 R-매트릭스 피팅(R-matrix fitting)을 위한 실험적 공명 데이터가 부족합니다. (TENDL과 같은) 공명 매개변수의 확률론적 생성은 평균화되지 않으면 무의 의미한 결과를 낳는 경우가 많으며, 현재 라이브러리들은 평균 매개변수에 대한 불확실성을 포함하지 않습니다.
   • 접근 방식: 본 프로젝트는 중성자 에너지($E$)와 대상 온도($T$)의 함수로서 단면적 확률 분포 $P(\sigma|E, T)$를 확립하기 위해 머신러닝을 활용합니다. 무작위 공명 세트를 생성하는 대신, 목표는 원자로 계산에서 미해결 공명(unresolved resonances)에 사용되는 접근 방식과 유사하게, 평균 공명 매개변수($\Gamma_\gamma, \Gamma_n, D$)로부터 $P(\sigma|E, T)$를 직접 예측하는 모델을 개발하는 것입니다.

2. 고속 영역 반응 계산 (Fast-Range Reaction Calculations):

   • 반응 모델링: 직접적인 측정이 없는 경우, 본 프로젝트는 미시적 예측 모델을 우선시합니다. 핵심 구성 요소는 광학 모델 포텐셜(OMP)입니다. 관심 대상인 대부분의 핵이 잘 변형되어 있다는 점($E_{4^+}/E_{2^+}$ 비율이 3.3 근처)을 인식하여, 본 프로젝트는 구형 핵 OMP를 부적절한 근사치로 보고 이를 거부합니다. 대신, 다중극 변형 매개변수에 기반한 **단열 모델(adiabatic model)**을 채택합니다. 이 모델은 HFB 핵 밀도와 같은 미시적 모델에서 유도된 핵 변형을 결합하여 불안정 핵으로 확장됩니다.
   • 머신러닝 사전 정보 (Machine Learning Priors): 본 프로젝트는 핵 도표 전반의 체계적 경향(밀도 범함수 이론에 의해 뒷받침됨)에 대해 학습된 생성 신경망 모델을 활용합니다. 이 네트워크는 안정적인 동위원소의 단면적을 인접한 불안정한 동위원소로 변환합니다. 출력값은 최종 값으로 사용되는 것이 아니라, 외삽이 이론적 경향에 근거하도록 모델 매개변수를 가이드하고 제약하는 **정보적 사전 정보(informative priors)**로 사용됩니다.

3. 준위 밀도 측정 (Level Density Measurements):

   • 과제: 현재의 핵 준위 밀도(NLD) 모델은 이산 준위(discrete levels)와 특정 공명 간격에 의해서만 제약을 받으므로, 불안정 핵에 대한 안내 역할이 제한적입니다.
   • 접근 방식: 본 프로젝트는 Edwards 가속기 연구소의 입자 증발 기법을 사용하여 표적 실험 측정을 수행합니다. 이 방법은 지면 상태부터 중성자 분리 에너지까지의 넓은 들뜸 에너지 범위와 더 넓은 스핀 범위를 아우르는 NLD 데이터를 제공하며, 특히 안정성 선 근처의 질량 영역에 집중하여 매개변수 외삽의 신뢰성을 높입니다.

주요 기여 및 예비 결과

• 실험 캠페인: 두 차례의 실험 캠페인이 완료되었으며, $^{92,96}$Nb에 대한 NLD 측정값과 $(p,n)$ 반응을 통한 $^{94}$Nb에 대한 제약 조건을 확보했습니다. $^{95}$Nb에 대한 $(d,n)$ 반응 데이터 분석이 진행 중입니다.
• 모델링 인프라: 핵 변형 데이터베이스와 EMPIRE 반응 코드를 통합하여, 모든 관련 핵에 대해 단열 결합 채널(adiabatic coupled-channels) 접근법을 가능하게 하는 인프라가 개발되었습니다.
• 예비 계산: 고속 영역 계산이 ENDF-6 파일 형식으로 구성되었습니다. $^{98}$Zr(n,total) 단면적에 대한 비교 결과, 변형을 고려한 단열 결합 채널 접근법과 구형 OMP를 직접 사용하는 방식 사이에 상당한 차이가 있음이 입증되었습니다. 구형 모델은 TENDL 예측치를 밀접하게 따르는 반면, 변형이 포함된 모델은 강한 동적 사중극 변형(예: $\beta_2 \approx 0.33$)을 가진 핵에 대해 훨씬 더 현실적인 설명을 제공합니다.

의의 및 향후 전망
본 연구의 주요 의의는 단순화된 가정을 넘어 핵 변형을 고려하고 머신러닝을 통해 모델 매개변수를 제약하는 평가 파일을 생성하는 데 있습니다. 본 프로젝트는 이러한 평가 파일들을 향후 ENDF/B-IX.0 릴리스에서 고려될 수 있도록 ENDF/B 라이브러리에 제출하는 것을 목표로 합니다.

저자들은 일차적 목표( $^{235}$U의 첫 번째 핵분열 생성물 험프 내 핵종)를 위한 평가 시스템이 구축되면, 다른 불안정한 핵분열 생성물(이차 및 "확장" 목표)로 이 과정을 확장하는 데 필요한 노력은 상대적으로 적을 것이라고 강조합니다. 궁극적인 목표는 핵 데이터 커뮤니티에 불안정 핵분열 생성물에 대한 현실적이고 검증된 평가를 제공하여, 비확산 및 원자로 응용 분야를 위한 더 나은 테스트, 피드백 및 미세 조정을 가능하게 하는 것입니다.