Longitudinal Phase Space Tomography via Machine Learning at the Los Alamos Neutron Science Center

로스앨러모스 중성자 과학 센터(Los Alamos Neutron Science Center)에 있는 거대한 50년 된 가속기 내부에서, 입자 빔이 표적을 향해 질주하고 있습니다. 수십 년 동안 운영자들은 마치 백미러 없이 속도계만 가지고 운전하는 자동차처럼, 이 빔을 유도하기 위해 제한된 도구 세트에 의존해 왔습니다. 그들은 빔이 얼마나 많은 전류를 운반하는지는 측정할 수 있지만, 빔의 내부 형태나 입자들이 시간과 에너지 측면에서 어떻게 배열되어 있는지는 쉽게 볼 수 없습니다. '종방향 위상 공간(longitudinal phase space)'이라고 알려진 이 숨겨진 배열은 매우 중요합니다. 만약 빔이 약간 어긋나거나 너무 퍼져 있으면, 기계의 벽에 부딪혀 손상을 입히거나 효율성을 떨어뜨릴 수 있습니다. 이러한 문제를 해결하기 위해 물리학자들은 전통적으로 간접적인 단서에 기반하여 설정을 추측하며 느리고 수동적인 조정을 수행해야 했습니다. 그들은 기계를 멈추고 직접적인 측정을 수행하지 않고도 빔의 보이지 않는 구조를 볼 수 있는 방법이 필요했습니다. 직접적인 측정은 종종 불가능하기 때문입니다.

로스앨러모스 국립 연구소(Los Alamos National Laboratory)의 연구팀은 머신러닝을 사용하여 이 숨겨진 구조를 보는 새로운 방법을 찾아냈습니다. 그들은 빔의 전류를 나타내는 2차원 지도를 보고 즉각적으로 전체 내부 형태를 재구성할 수 있는 컴퓨터 시스템을 개발했습니다. 느린 수동 튜닝에 의존하는 대신, 그들의 시스템은 뉴럴 네트워크(neural network)라고 불리는 인공지능의 한 유형을 사용합니다. 이 네트워크는 수백만 번의 시뮬레이션 시나리오를 통해 학습되었으며, 기계가 수집하는 원시 데이터와 실제 빔 분포 사이의 복잡한 관계를 학습했습니다. 테스트 결과, 이 시스템은 수 시간이 걸리는 고된 수동 보정 결과와 일치하는 명확한 빔 상태의 이미지를 생성했습니다. 연구진은 또한 시스템이 작동하기 위해 전체 지도가 필요하지 않다는 사실을 발견했습니다. 데이터의 중앙 부분에만 집중함으로써, 정확도를 잃지 않으면서도 측정에 소요되는 시간을 3분의 1로 줄일 수 있었습니다. 이 돌파구는 세계에서 가장 중요한 입자 가속기 중 하나를 더 빠르고 효율적으로 튜닝할 수 있는 방법을 제공합니다.

이 연구의 핵심이 되는 과제는 역문제(inverse problem)입니다. 물리학에서 역문제란 어떤 사건의 결과는 알지만 그 원인을 알아내야 하는 경우를 말합니다. 여기서 과학자들은 가속기의 두 가지 다른 탱크를 통과한 후 수집기를 지나가는 빔의 전류를 측정할 수 있습니다. 그들은 이 탱크들의 설정값은 알고 있지만, 시스템에 들어가기 전의 정확한 빔 형태는 알지 못합니다 입자들은 서로 복잡하고 비선형적인 방식으로 상호작용하기 때문에, 이 전류 측정값으로부터 형태를 재구성하는 것은 매우 어렵습니다. 전통적인 물리 모델은 계산량이 너무 많고 역학 관계가 너무 복잡하여 빠르게 해결하기 어렵기 때문에 이 문제에 어려움을 겪습니다. 연구진은 모든 방정식을 처음부터 풀 필요 없이 복잡한 데이터에서 패턴을 찾는 데 탁월한 머신러닝으로 눈을 돌렸습니다.

솔루션을 구축하기 위해 연구팀은 HPSim이라는 시뮬레이션 코드를 사용하여 가속기의 디지털 트윈(digital twin)을 만들었습니다. 그들은 가속기 탱크의 설정을 변화시키며 수천 번의 시뮬레이션을 실행하여 방대한 데이터 라이브러리를 생성했습니다. 각 시뮬레이션마다 그에 따른 전류 지도와 실제 빔의 형태를 기록했습니다. 그런 다음 이 데이터를 특정 이미지 형태의 뉴럴 네트워크인 U-Net에 입력했습니다. 이 네트워크는 전류 측정값을 빔의 내부 형태로 직접 매핑하는 법을 학습했습니다. 실제 데이터에서도 모델이 작동할 수 있도록, 연구진은 실제 실험에서 발견되는 무작위적인 변동과 결함을 모사하기 위해 훈련 시뮬레이션에 노이즈를 추가했습니다. 실제 데이터는 컴퓨터 시뮬레이션처럼 깨끗한 경우가 드물기 때문에 이러한 준비 과정은 필수적이었습니다.

연구팀이 2025년 5월에 수집된 실험 데이터로 모델을 테스트했을 때, 결과는 놀라웠습니다. 머신러닝 모델은 1초도 채 되지 않는 시간에 빔 형태의 재구성을 생성해 냈습니다. 이 속도는 물리학자가 가속기 파라미터를 수동으로 조정하고 모델이 실험 데이터와 일치할 때까지 시뮬레이션을 반복해서 실행해야 하는 전통적인 방식(수 시간이 걸릴 수 있음)에 비해 엄청난 개선입니다. 뉴럴 네트워크가 생성한 재구성된 형태는 광범적인 수동 튜닝을 통해 얻은 것과 대등했습니다. 재구성이 정확한지 확인하기 위해 연구진은 자기 일관성 검사(self-consistency check)를 수행했습니다. AI가 예측한 빔 형태를 시뮬레이션 코드로 다시 실행하여 어떤 전류 지도가 나타나는지 확인했습니다. 그 결과 생성된 지도는 처음에 시작했던 실제 실험 데이터와 매우 유사했으며, 이는 AI가 빔의 구조를 올바르게 식별했음을 확인시켜 주었습니다.

이 연구의 가장 실용적인 발견 중 하나는 시스템이 작동하기 위해 전체 데이터셋이 필요하지 않다는 것이었습니다. 설명 가능한 머신러닝(explainable machine learning) 기술을 사용하여, 연구진은 네트워크의 결정에 가장 중요한 부분이 무엇인지 분석했습니다. 그들은 빔 전류가 가장 강한 데이터의 중심 핵(core) 부분이 필요한 거의 모든 정보를 포함하고 있다는 것을 발견했습니다. 노이즈나 덜 중요한 데이터를 포함하는 지도의 외곽 부분은 최종 예측에 거의 기여하지 않았습니다. 이 발견을 통해 데이터 축소 전략을 테스트할 수 있었습니다. 스캔의 모서리와 가장자리에서 측정을 제거함으로써, 연구진은 데이터의 3분의 1만 사용하더라도 정확한 결과를 낼 수 있음을 확인했습니다. 이는 향후 운영자들이 빔 설정이 이미 최적에 가까운 '웜 스타트(warm start)' 스캔을 수행할 때, 기존에 필요했던 시간의 3분의 1만으로도 충분히 가능하다는 것을 의미합니다. 빔 사용 시간이 귀중하고 매 분이 중요한 로스앨러모스와 같은 시설에서 이러한 효율성 증대는 매우 중요합니다.

이 연구는 또한 접근 방식의 한계점도 강조했습니다. 테스트에 사용된 실험 데이터는 기계의 일반적인 작동 수준보다 낮은 빔 전류에서 수집되었습니다. 빔 내의 입자들은 높은 전류에서 서로를 더 강하게 밀어내기 때문에, 연구진은 현재 모델이 정상 작동 시 빔이 얼마나 퍼지는지를 과소평가할 수 있다고 언급했습니다. 또한, 모델은 이상적인 현실 버전인 시뮬레이션 데이터로 훈련되었습니다. 실제 빔은 시뮬레이션이 제시하는 것보다 더 확산되거나 다른 구조를 가질 수 있습니다. 연구진은 자신들의 모델이 우수한 성능을 보였지만, 현재 이 시설에서 불가능한 직접 측을 완전히 대체할 수는 없다는 점을 인정했습니다. 그들은 향-후 연구가 훈련 데이터의 현실성을 높이고, 각 예측의 불확실성을 추정하는 방법을 추가하는 데 집중해야 한다고 제안했습니다. 이를 통해 운영자들이 AI의 출력값을 얼마나 신뢰할 수 있는지 알 수 있게 해야 합니다.

이러한 주의 사항에도 불구하고, 이 작업은 인공지능을 가속기 물리학에 사용하는 명확한 경로를 보여줍니다. 제한된 측정값으로부터 빔의 내부 상태를 재구성하는 능력은 더 빠른 튜닝과 기계 문제에 대한 더 나은 진단의 문을 열어줍니다. 연구진은 고충실도 시뮬레이션과 강력한 머신러닝 기술을 결합함으로써 전통적인 진단법의 한계를 극복할 수 있음을 보여주었습니다. 특히 데이터 축소 전략과 결합된 U-Net 구조의 성공은 이와 유사한 방법이 가속기의 다른 부분이나 심지어 다른 유형의 입자 빔에도 적용될 수 있음을 시사합니다. 가속기 물리학 분야가 계속 발전함에 따라, 이러한 도구들은 복잡한 기계의 성능을 유지하고, 그 기계들에 의존하는 중요한 연구들을 지속적으로 지원하는 데 필수적인 요소가 될 것입니다.