머신러닝과 고에너지 핵물리학의 만남: 패턴 인식에서 물리 통합 발견까지
Machine Learning Meets High-Energy Nuclear Physics: From Pattern Recognition to Physics-Integrated Discovery
고에너지 핵물리학(HENP)에서의 머신러닝(ML)은 물리적 지식이 데이터 분석, 시뮬레이션, 물리 추론에 더 직접적으로 통합되는 새로운 단계에 접어들고 있다. 이 미니 리뷰는 지난 수년간 성숙해 온 발전에 초점을 맞춘다. 초기 응용이 사건 분류(event classification), 패턴 인식, 선택된 관측량에 대한 대체 모델(surrogate model)을 강조했던 것과 달리, 최근 연구는 물리 통합 워크플로우로 이동하고 있다: QCD 물질 특성의 보정된 베이즈 추출(calibrated Bayesian extraction), 중이온 및 중성자별 데이터로부터의 고밀도 물질 상태방정식(equation-of-state) 추론, 생성적 사건 모델링(generative event modeling), 약한 물리 신호의 신경망 언폴딩(neural unfolding), 미분 가능한 역해법(differentiable inverse solver), 게이지 등변(gauge-equivariant) 및 디퓨전 기반 격자장 샘플러(lattice-field sampler), 그리고 홀로그래픽 QCD에서의 모델 함수에 대한 신경망 재구성이다. 우리는 중이온 충돌, 중성자별 물리학, 격자 양자장론(lattice QFT), 홀로그래픽 또는 연속체 QCD에서의 ML의 최근 응용을 조사한다. 강조점은 ML 아키텍처 자체가 아니라, 이들이 구체적인 물리 워크플로우에 어떻게 투입되는지, 대칭성, 보존 법칙, 인과성, 열역학적 안정성, 위상(topology)과 같은 물리적 제약이 어떻게 부과되는지, 그리고 불확도 정량화(uncertainty quantification)와 검증이 AI 보조 결과가 신뢰할 수 있는 물리적 결론을 지지할 수 있는지를 어떻게 결정하는지에 있다.