An End-to-End Differentiable Forward Model for High-Energy Diffraction Microscopy

초강력 X선 빔이 부딪힐 때 발생하는 빛의 산란 패턴만을 보고, 금속 조각 내부의 수백만 개에 달하는 작고 투명한 결정들의 정확한 모양, 위치, 그리고 내부 응력을 파악하는 과정을 상상해 보십시오. 이것이 바로 고에너지 회절 현미경법(High-Energy Diffraction Microscopy, HEDM)이 하는 일입니다. 이것은 마치 만화 속에서 캐릭터를 찾는 '월리를 찾아라'라는 우주적인 게임과 같습니다. 다만 찾는 대상이 만화 캐릭터가 아니라, 거대한 검출기 화면에 투영된 그림자와 점들을 통해 금속 시편 내 개별 결정립(grain)의 정밀한 위치와 방향을 추적하는 것입니다. 수십 년 동안 과학자들은 강력한 컴퓨터를 사용하여 이 결정들이 빛을 어떻게 산란시켜야 하는지 시뮬레이션하고, 그 시뮬레이션 결과를 실제 데이터와 비교하여 답을 추측해 왔습니다. 하지만 여기에는 함정이 있었습니다. 이 시뮬레이션을 만드는 컴퓨터 코드는 마치 '블랙박스'와 같았습니다. 숫자를 넣으면 그림이 나오긴 했지만, 그림을 더 잘 맞추기 위해 숫자를 미세하게 조정하고 싶을 때, 컴퓨터는 어느 방향으로 조절 나사를 돌려야 할지 알려주지 못했습니다. 컴퓨터는 그저 하나씩 설정을 바꿔가며 무작정 시도해야 했기에 속도가 느렸고, 종종 막다른 길에 갇히곤 했습니다.

이제, 그 블랙박스가 갑자기 투명해져서 "이봐요, 조절 나사를 왼쪽으로 아주 조금만 돌리면 그림이 10% 더 선명해집니다"라고 속삭일 수 있다고 상상해 보십시오. 이것이 바로 이 새로운 논문이 성취한 바입니다. 연구진은 HEDM을 위한 최초의 '엔드 투 엔드 미분 가능한(end-to-end differentiable)' 순방향 모델을 구축했습니다. 쉬운 말로 설명하자면, 그들은 시뮬레이션 소프트웨어를 다시 작성하여, 단순히 답을 계산할 뿐만 아니라 그 답을 즉각적으로 개선하기 위해 필요한 정확한 '기울기'나 방향까지 계산할 수 있도록 만들었습니다. 그들은 이 새로운 소프트웨어를 기존의 신뢰받는 '골드 스탠다드' 시뮬레이터들과 비교 테스트했으며, 그 결과가 픽셀 단위까지 완벽하게 일치한다는 것을 발견했습니다. 이는 이제 과학자들이 수학적 기반의 '그래디언트(gradient)'를 사용하여 결정의 위치, 내부 변형(strain), 심지어 카메라의 기하학적 구조까지 한 번에 매끄럽고 빠르게 동시에 조정할 수 있음을 의미합니다. 이는 느리고 눈먼 추측 게임을, 컴퓨터가 최적의 해답을 찾는 방법을 정확히 알고 있는 가이드 투어로 바꾸어 놓았습니다.

논문의 핵심 발견

이 논문은 HEDM을 위한 범용 번역기 역할을 하는 midas-diffract라는 새로운 소프트웨어 프레임워크를 제시합니다. 저자들은 세 가지 다른 결정 관찰 방식인 원거리 장(Far-Field, 검출기가 멀리 있는 경우), 근접 장(Near-Field, 검출기가 가까이 있는 경우), 그리고 점 초점(Point-Focused, 빔이 매우 작은 경우)을 시뮬레이션할 수 있는 PyTorch(인공지능에 널리 쓰이는 도구) 기반의 단일 통합 컴퓨터 프로그램을 만들었습니다.

이 모델의 주요 돌파구는 **미분 가능하다(differentiable)**는 점입니다. 수학 및 컴퓨터 과학의 세계에서 이는 소프트웨어가 입력값의 미세한 변화(예: 결정의 미세한 이동)가 출력값(화면상의 패턴)을 어떻게 변화시키는지 계산할 수 있음을 의미합니다. 이 덕분에 소프트웨어는 '그래디언트 기반' 방법을 사용하여 추측을 정교하게 다듬을 수 있습니다. 단순히 대입하고 확인하는 대신, 수학적인 언덕을 따라 내려가 가장 낮은 지점, 즉 완벽한 일치점을 훨씬 빠르고 정확하게 찾아낼 수 있게 된 것입니다.

증명된 것과 거부된 것

저자들은 미분 가능성을 확보하기 위해 반드시 '학습된 대리 모델(learned surrogates, 데이터로 학습된 신경망)'을 사용해야 한다는 생각을 명시적으로 거부합니다. 그들은 신경망이 속도는 빠르지만 근사치일 뿐이며, 오류를 유발할 수 있고 엄격한 물리 법칙을 따르지 않는다는 점을 주장합니다. 대신, 지난 20년간 과학계에서 검증된 기존의 C 언어 코드의 엄격한 물리학을 그대로 유지하면서도 미분 가능하게 만들 수 있음을 증명했습니다.

그들은 새로운 PyTorch 모델을 기존의 확립된 "MIDAS" 참조 시뮬레이터와 비교함으로써 이를 입증했습니다. 결과는 놀라울 정도로 정밀했습니다:

• 원거리 장(Far-Field): 162개의 점 중 162개 모두를 픽셀 수준의 정확도로 일치시켰습니다.
• 근접 장(Near-Field): 검출기가 기울어진 상태에서도 2,304개의 픽셀 중 2,304개를 모두 정확히 일치시켰습니다.
• 점 초점(Point-Focused): 1,096개의 점 중 1,088개를 일치시켰으며, 누락된 몇몇 사례는 빔 중심 근처의 극도로 까다로운 수학적 경계 조건에서만 발생했습니다.

이 논문은 새로운 모델이 기존 물리 법칙과 픽셀 단위로 일치함을 확인해주었습니다. 즉, 속도를 위해 정확도를 희생하지 않았다는 것입니다. 이는 단순히 '충분히 괜찮은' 근사치가 아니라, 스스로의 미분값을 알 수 있는 초능력이 추가된, 신뢰받는 기존 코드의 수학적으로 동일한 쌍둥이임을 의미합니다.

실세계 테스트 및 한계

실제 환경에서도 작동함을 보여주기 위해 팀은 세 가지 주요 테스트를 수행했습니다:

1. "섭동 및 복구(Perturb-and-Recover)" 테스트: 티타늄 시료의 214개 결정립 데이터셋을 가져와 초기 위치를 1.5도 정도 뒤섞은 후, 새로운 소프트웨어로 이를 수정하게 했습니다. 그 결과 100%의 결정립을 복구해냈으며, 결정의 방향과 위치를 약 6나노미터(바이러스보다 작은 크기!)의 정밀도로 찾아냈습니다.
2. "결합 정밀화(Joint Refinement)" 테스트: 소프트웨어가 결정의 위치를 잡는 동시에 카메라의 기하학적 구조(기울기 및 거리 등)도 수정할 수 있음을 보여주었습니다. 4개의 검출기 패널이 있는 합성 테스트에서, 이 소프트웨어는 카메라의 회전축을 26 마이크로라디안 이내의 오차로 교정했는데, 이는 단일 단계에서 이전에는 불가능했던 정밀도입니다.
3. "수렴 영역(Basin of Convergence)" 테스트: 시작점이 얼마나 틀려야 소프트웨어가 길을 잃는지 확인했습니다. 연구 결과, 시작점이 실제 값에서 약 10~12도 이내에 있다면 소프트웨어가 성공적으로 정답을 찾아낸다는 것을 발견했습니다. 이는 표준 도구들이 보통 5도 이내의 오차를 허용하는 것과 비교할 때 매우 고무적인 소식으로, 이 새로운 도구가 즉시 실전에 투입될 준비가 되었음을 의미합니다.

하지만 논문은 명확한 경계도 설정했습니다. 이 소프트웨어는 어떤 시작점에서도 작동하는 마법 지팡이가 아닙니다. 만약 시작점이 15도 이상 벗어나 있다면 국소 최적점(local trap)에 빠질 수 있습니다. 또한, 그래픽 카드(GPU)를 갖춘 컴퓨터에서는 매우 빠르지만, 여전히 각 결정립이 하나의 빛의 점처럼 행동한다는 가정에 의존합니다. 아직 큰 결정립을 때리는 빔의 복잡한 3D 형상까지는 모델링하지 못하지만, 저자들은 이것이 자연스러운 다음 단계라고 언급했습니다.

이것이 왜 중요한가

이 논문은 단순히 더 빠른 계산기를 제공하는 데 그치지 않고, 완전히 새로운 클래스의 실험을 위한 문을 열어줍니다. 모델이 미분 가능하기 때문에 과학자들은 이제 다음과 같은 일을 할 수 있습니다:

• 물리학과 데이터의 결합: 결정이 어떻게 행동해야 하는지에 대한 규칙(예: 질량 보존 법칙)을 수학에 직접 추가하여, 결과가 물리적으로 현실적인지 강제할 수 있습니다.
• 시간에 따른 변화 추적: 가열이나 하중이 가해지는 동안 결정의 모양과 응력이 어떻게 변하는지 실시간으로 관찰하여, 실험을 재료가 파괴되는 과정에 대한 컴퓨터 시뮬레이션과 직접 연결할 수 있습니다.
• 불확 certainty(불확실성) 정량화: 단순히 추측하는 것이 아니라, 자신의 측정값이 얼마나 확실한지를 정확하게 계산할 수 있습니다.

요컨대, 저자들은 과거의 엄격하고 검증된 물리학과 미래의 유연하고 강력한 최적화 도구 사이의 다리를 놓았습니다. 그들은 단순히 속도를 높인 것이 아니라, 게임의 규칙을 바꾸어 과학자들이 이전에는 너무 복잡해서 다룰 수 없었던 문제들을 해결할 수 있게 만들었습니다.