딥러닝으로 핵 반응 단면적 예측 정확도 향상: DINo 알고리즘의 혁신

딥러닝 기반 알고리즘 DINo가 핵 반응 단면적 예측의 정확도를 향상시켜 입자 가속기 치료, 방사선 방호, 원자로 설계 등 다양한 분야에 기여할 것으로 기대되지만, 데이터 부족 문제는 여전히 과제로 남아있습니다.

핵 반응 단면적의 정확한 모델링은 입자 가속기 치료, 방사선 방호, 원자로 설계와 같은 분야에서 매우 중요합니다. 하지만 기존의 이론 모델(TENDL, ENDF/B 등)은 실험 데이터와의 차이가 상당하여 몬테카를로 시뮬레이션의 정확도를 떨어뜨리는 문제가 있었습니다.

이러한 문제를 해결하기 위해 Levana Gesson 등 연구팀은 딥러닝 기반 알고리즘인 DINo(Deep learning Intelligence for Nuclear reactiOns)를 개발했습니다. DINo는 전하 변화 단면적과 총 단면적 간의 상관관계를 학습하여 핵 반응 단면적 예측을 개선하는 알고리즘입니다.

TENDL-2021 데이터셋으로 학습하고 EXFOR 데이터베이스의 실험 데이터로 검증한 결과, DINo는 기존 핵 모델보다 예측 정확도가 크게 향상되었습니다. 특히, 12C 표적에 대한 양성자 유도 반응에서 그 효과가 두드러졌는데, 11C 생성에 대한 실험 데이터와의 불일치를 기존 모델 대비 약 28%나 감소시켰습니다. 4He, 6Li, 9Be, 10B 등 다른 중요한 동위원소에 대한 예측도 개선되었습니다.

DINo는 신경망을 활용하여 빠른 단면적 예측을 제공하며, 실시간 핵 데이터 처리를 위해 몬테카를로 전달 코드에 통합될 가능성이 높습니다. 하지만 연구팀은 DINo의 성능 평가가 실험 데이터의 가용성에 민감하며, 측정 데이터가 부족한 에너지 영역에서는 불확실성이 증가할 수 있다는 점을 지적했습니다. 향후 연구는 데이터 증강을 통한 모델 개선, 다른 반응 채널로의 적용 확장, 몬테카를로 전달 코드 통합 등에 초점을 맞출 예정입니다.

이 연구는 딥러닝을 통해 핵물리학 분야의 오랜 난제를 해결하는 중요한 발걸음이며, 다양한 응용 분야에 긍정적인 영향을 미칠 것으로 기대됩니다. 하지만 데이터 부족 문제 해결을 위한 지속적인 노력이 필요하다는 점을 상기해야 합니다.