Nuclear-physics-guided Gaussian Processes

우주는 아주 작은 입자들이 상호작용하는 토대 위에 구축되어 있으며, 이들이 어떻게 행동하는지 이해하기 위해서는 단순히 관찰하는 것 이상의 것이 필요합니다. 즉, 우리가 아직 볼 수 없는 곳에서 일어나는 일을 예측할 수 있는 모델을 구축해야 합니다. 핵물리학에서 과학자들은 원자핵을 결합하는 힘과 별 내부에 존재하는 물질을 연구합니다. 이러한 모델은 태양에 에너지를 공급하는 힘부터 우주적 충돌에서 형성된 무거운 원소들에 이르기까지 모든 것을 설명하는 데 필수적입니다. 그러나 이러한 모델을 테스트하기 위해 사용 가능한 데이터는 종종 희소하거나, 노이즈가 섞여 있거나, 특정 조건으로 제한되어 있습니다. 과학자들이 알려진 데이터 지점 사이의 공백을 채우려 할 때, 그들은 단순한 추측을 믿을 것인지, 아니면 노이즈에 과적합될 수 있는 복잡한 수학적 도구에 의존할 것인지라는 어려운 선택에 직면합니다. 수십 년 동안 가우시안 프로세스 회귀(Gaussian Process regression)라고 불리는 강력한 통계적 방법이 이러한 예측을 수행하는 데 사용되어 왔으며, 이는 최선의 추측뿐만 아니라 그 추측이 얼마나 불확실한지에 대한 명확한 척도까지 제공합니다. 전통적으로 이러한 모델들은 '무관한(agnostic)' 상태, 즉 물리적 법칙에 대한 아무런 가정을 하지 않은 채 제공된 데이터로부터 순수하게 패턴을 학습하는 방식으로 작동해 왔습니다. 하지만 이러한 방식은 데이터가 부족할 때 어려움을 겪으며, 탐색되지 않은 영역에서 터무니없는 추측을 내놓기도 합니다.

바르셀로나의 한 연구팀은 이제 이러한 통계적 도구들이 실제 물리 법칙의 안내를 받을 때 훨씬 더 잘 작동한다는 것을 입증했습니다. 수학적 프레임워크 안에 알려진 이론적 구조를 직접 삽입함으로써, 그들은 모델이 현저히 더 정확하고 신뢰할 수 있게 된다는 것을 보여주었습니다. 연구진은 이 새로운 접근 방식을 핵과학의 세 가지 뚜렷한 과제, 즉 양성자와 중성자의 산란 방식, 원자핵의 정밀한 질량, 그리고 높은 온도에서 별 내부의 밀집된 물질의 거동에 적용했습니다. 모든 경우에서 물리 가이드 모델은 전통적인 가정 없는 버전보다 뛰어난 성능을 보였습니다. 이 모델들은 단순히 옳은 숫자를 예측했을 뿐만 아니라, 특히 기존 데이터의 범위를 훨씬 벗어난 곳을 예측할 때 훨씬 더 조밀하고 신뢰할 수 있는 불확실성 추정치를 제공했습니다. 이는 인공지능을 과학에 사용하는 가장 효과적인 방법이 그것이 처음부터 스스로 배우게 하는 것이 아니라, 먼저 우주의 근본적인 규칙을 가르쳐 미세한 세부 사항에 집중할 수 있도록 하는 것임을 시사합니다.

첫 번째 테스트 케이스는 핵자를 구성하는 입자인 핵자의 산란과 관련되었습니다. 양성자와 중성자가 충돌할 때, 이들은 에너지에 따라 특정 각도로 튕겨 나갑니다. 과학자들은 많은 에너지 수준에 대해 이 각도들을 측정해 왔지만, 모든 에너지 수준을 측정한 것은 아니며 측정값에는 실험적 오차가 포함되어 있습니다. 연구진은 이 방법을 사용하여 측정된 지점들 사이의 누락된 각도를 채웠습니다. 그들은 작용하는 힘에 대해 아무것도 모르는 표준 모델과, 입자들의 상호작용에 관한 구체적인 물리 이론을 통합한 모델을 비교했습니다. 결과는 놀라웠습니다. 장거리 힘, 구체적으로는 파이온(pion)이라 불리는 입자의 교환에 관한 알려진 물리학을 포함한 모델이 표준 모델보다 훨씬 더 정밀하게 누락된 각도를 예측했습니다. 어떤 경우에는 오차가 10배 또는 100배까지 줄어들었습니다. 이러한 가이드가 없는 표준 모델은 데이터 지점들 사이에서 격하게 진동하며, 울퉁불퉁하고 비현실적인 경로를 만들어내는 경향이 있었습니다. 반면, 물리 가이드 모델은 자연의 매끄럽고 기대되는 추세를 따랐으며, 전체 에너지 스펙트럼에 걸쳐 이 입자들이 어떻게 행동하는지에 대해 훨씬 더 명확한 그림을 제공했습니다.

다음으로, 팀은 원자핵의 질량으로 관심을 돌렸습니다. 원자의 질량은 별과 핵 반응에서 원자가 어떻게 행동하는지를 결정하는 근본적인 속성입니다. 과학자들이 수천 개의 원자 질량을 측정했지만, 실험실에서 측정하기에는 너무 불안정하거나 희귀한 원자들이 훨씬 더 많습니다. 이러한 질량을 예측하는 것은 우주에서 원소들이 어떻게 생성되는지 이해하는 데 매우 중요합니다. 연구진은 액체 방울(liquid drop) 개념에 기반한 핵 질량의 일반적인 추세를 설명하는 고전적이고 잘 알려진 공식을 모델의 시작점으로 사용했습니다. 그런 다음 통계 도구가 양성자와 중성자의 특정한 배치로 인해 발생하는 이 일반적인 추세로부터의 작고 복적인 편차를 학습하도록 했습니다. 이 접근 방식을 테스트했을 때, 연구진은 모델이 알려지지 않은 원자들의 질량을 약 190 keV라는 매우 작은 오차 범위 내에서 예측할 수 있다는 것을 발견했습니다. 더 중요한 점은, 한 번도 관찰된 적 없는 극도로 이색적인(exotic) 원자들의 질량을 예측하려고 했을 때도 물리 가이드 모델이 신뢰성을 유지했다는 것입니다. 반면, 가정이 없는 표준 모델은 알려진 데이터에서 멀어질수록 현실에서 벗어나기 시작하여 올바른 장기적 추세를 포착하는 데 실패했습니다. 기본적인 물리 공식의 포함은 예측이 극한의 조건에서도 현실에 기반을 두도록 하는 안전망 역할을 했습니다.

마지막이자 가장 복잡한 응용은 중성자 내부의 압쇄적인 압력 하에서 물질이 어떻게 행동하는지를 설명하는 상태 방정식(equation of state)이었습니다. 이것은 밀도, 온도, 그리고 양성자와 중성자의 비율을 포함하는 3차원 문제입니다. 과학자들은 별이 어떻게 붕괴하고 병합되는지 이해하기 위해 이 정보가 필요하지만, 모든 가능한 조건에 대해 이를 계산하는 것은 계산 비용이 매우 많이 듭니다. 연구진은 이러한 무거운 계산을 대신할 빠른 대체물, 즉 에뮬레이터(emulator) 역할을 하는 모델을 구축했습니다. 그들은 열과 밀도가 상호작용하는 알려진 물리학을 모델의 시작점에 인코딩함으로써, 물질의 압력과 엔트로피를 높은 충실도로 예측할 수 있다는 것을 발견했습니다. 결정적인 발견은 모델이 훈련 데이터의 범위를 벗어났을 때 어떻게 행동하는지를 살펴보았을 때 나타났습니다. 표준 모델의 경우, 예측된 압력은 알려진 데이터 지점을 벗어나면 평탄해지며 비현실적이 되었습니다. 그러나 물리 가이드 모델은 압력이 밀도와 함께 증가해야 한다는 사실을 이미 알고 있는 기초 위에서 구축되었기 때문에, 부드럽게 계속 상승하며 이를 정확하게 반영했습니다. 이는 표준 모델은 그러한 지식이 없어 단순히 추측을 멈춘 반면, 물리 가이드 모델은 밀도가 높아짐에 따라 압력이 커져야 한다는 것을 이미 알고 있었기 때문입니다.

이 실험들의 성공은 과학적 모델링에 접근하는 방식의 근본적인 변화를 강조합니다. 연구진은 신뢰할 수 있는 예측의 핵심이 단지 더 많은 데이터나 더 복잡한 알고리즘을 갖는 것이 아니라, 적절한 시작 가정을 선택하는 것임을 보여주었습니다. 물리 모델을 통해 기준선을 설정함으로써, 통계 도구는 단순한 모델이 놓치는 미세하고 복잡한 세부 사항에 집중할 수 있는 자유를 얻습니다. 이 접근 방식은 모든 테스트에서 우월함을 입증했으며, 더 나은 정확도, 그리고 아마도 더 중요한 것은 더 정직한 불확실성 평가를 제공했습니다. 모델이 확신할 때는 좁은 가능성의 범위를 보여주고, 확신이 없을 때는 그 범위가 자연스럽게 넓어집니다. 이는 과학자들에게 답이 무엇인지뿐만 아니라, 그 답을 얼마나 신뢰할 수 있는지도 알아야 하는 상황에서 매우 중요합니다. 이 연구는 과학적 컴퓨팅의 미래가 인간의 직관과 머신 러닝 사이의 파트너십에 달려 있음을 시사하며, 여기서 기계는 눈먼 채로 방황하는 것이 아니라, 미지의 영역을 탐험할 때 길잡이가 될 수 있는 알려진 영토의 지도를 부여받아야 함을 보여줍니다.