베이지안 최적화 기반 비탄성 중성자 산란 실험 자동 종료 전략

본 논문은 고출력 중성자 가속기에서 수행되는 비탄성 중성자 산란 실험에서 발생하는 방대한 4차원 이벤트 데이터를 효율적으로 처리하기 위한 자동 종료 전략을 제시한다. 기존에는 Shimazaki와 Shinomoto가 제안한 1차원 히스토그램 bin‑width 최적화 방법을 다차원으로 확장하고, summed‑area table(SAT) 기법을 이용해 다차원 히스토그램의 비용 함수를 빠르게 계산하였다. 비용 함수 C(Δ) = 2 · k̄ − v·(Δ₁Δ₂…Δ_d)²는 각 bin‑width 조합에 대한 이벤트 분포의 변동성을 정량화하며, 최소값을 찾는 것이 최적 bin‑width를 결정한다. 그러나 전수 탐색은 차원이 증가함에 따라 계산량이 급증하므로, 이를 보완하기 위해 Gaussian Process를 기반으로 한 베이지안 최적화(Bayesian Optimization, BO)를 도입하였다. BO는 현재까지 관측된 비용값을 GP로 보간하고, Expected Improvement(EI) 획득 함수를 통해 다음 탐색점을 선택함으로써 전역 최소점에 빠르게 수렴한다. 실험에서는 MATLAB의 bayesopt 함수를 이용해 EI+를 acquisition function으로 설정하고, 100번의 독립 실험을 수행해 평균적인 수렴 속도와 비용 감소 비율을 평가하였다. 결과는 BO가 전수 탐색(10 000점) 대비 약 10 %의 연산량만으로 동일한 최소 비용을 찾으며, 전체 탐색 시간도 3.9 시간에서 0.4 시간 이하로 단축됨을 보여준다. 실험 데이터는 Ba₃Fe₂O₅Cl₂ 시료의 4차원 스펙트럼으로, 에너지 구간 15–50 meV와 q‑space 전체에서 1 679 542개의 이벤트를 포함한다. 데이터는 0.1, 0.2, 0.5, 1.0 비율로 다운샘플링하여 각각에 대해 최적 bin‑width를 계산하였다. 최적 bin‑width는 데이터 양이 증가할수록 감소하는 경향을 보였으며, 특히 0.2(전체의 1/5) 비율에서 얻어진 bin‑width(ΔE = 4 meV, Δqx = 0.19 r.l.u., Δqy = 0.13 r.l.u., Δqz = 0.32 r.l.u.)는 장비 해상도(Δ_resol =