중성자 투과 스펙트럼 데이터에서 중성자 공명(neutron resonance)을 자동으로 탐지하고 분석하는 데 기계 학습(machine learning)을 활용하는 새로운 연구가 발표되었습니다. 이 연구는 복잡하고 노이즈가 많은 중성자 데이터를 기존의 수동 방식보다 효율적으로 처리하고, 분석 과정에서 발생할 수 있는 편향을 줄이는 데 초점을 맞춥니다. 이는 핵물리학 분야에서 데이터 처리의 효율성을 크게 높일 잠재력을 보여줍니다.
연구팀은 완전 합성곱 신경망(Fully Convolutional Neural Network, FCNN)을 사용하여 중성자 투과 스펙트럼의 각 지점이 공명 영역에 속하는지 아닌지를 분류했습니다. 두 개의 평가 데이터와 다섯 개의 실험 데이터를 포함한 총 일곱 개의 스펙트럼에서 모델은 93%에 달하는 높은 분류 정확도를 보였습니다. 그러나 추가 분석 결과, 이 수치가 모델의 일반화(generalization) 능력을 과대평가할 수 있음이 드러났습니다. 특히, 이전에 학습하지 않은 동위원소(isotope)에 대해서는 신뢰할 만한 일반화 성능을 보이지 못했습니다.
이번 예비 연구는 기계 학습이 중성자 공명 분석의 후처리 과정을 가속화하고 수동 작업 의존도를 낮출 수 있음을 시사합니다. 하지만 모델이 다양한 동위원소에 대해 안정적으로 작동하려면 더 크고 다양한 훈련 데이터셋이 필요하며, 중성자 공명의 물리적 특성을 모델에 통합하는 추가적인 노력이 요구됩니다. 이러한 개선이 이루어진다면, 핵물리학 연구 및 산업 분야에서 데이터 분석의 정확성과 효율성을 혁신적으로 향상시킬 수 있을 것입니다.