npsm 새물리 New Physics : Sae Mulli

pISSN 0374-4914 eISSN 2289-0041
Qrcode

Article

Research Paper

New Phys.: Sae Mulli 2022; 72: 582-593

Published online August 31, 2022 https://doi.org/10.3938/NPSM.72.582

Copyright © New Physics: Sae Mulli.

Feasibility Study of Convolutional Neural Networks for a Slow Control System and Fluor Discrimination in Emission Spectrum of Liquid Scintillator

Ji Won Choi1, Ji Young Choi2*, Han Il Jang2†, Kyung Kwang Joo1‡

1Institute for Universe & Elementary Particles, Department of Physics, Chonnam National University, Gwangju 61186, Korea
2Department of Fire Safety, Seoyeong University, Gwangju 61268, Korea

Correspondence to:*E-mail: jychoi@seoyeong.ac.kr
E-mail: hjang@seoyeong.ac.kr
E-mail: kkjoo@chonnam.ac.kr

Received: April 21, 2022; Accepted: May 31, 2022

This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License(http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

In this paper, we tried to estimate the fluor components of a liquid scintillator using a convolutional neural network (CNN) while applying and building the internet of things (IoT) and machine learning in a slow control system. Various factors affecting the fluorescent emission of liquid scintillators have been reported at the laboratory level. However, long-term performance studies are still ongoing under extreme environmental conditions in large-scale experiments beyond the laboratory level. Given the characteristics of neutrino experiments, the liquid scintillator is sealed inside the detector, making it difficult to observe non-invasive samples. In particular, the long-term physical and chemical stability of liquid scintillators in extreme environments with high radiation bombardment doses, such as nuclear power plants, has not been reported. Accessing a highly radioactive area requires considerable time and effort. In addition, the cost efficiency and reliability of embedded systems have improved with the development of microcontroller weight reduction, integration, and IoT technology. Therefore, researchers hypothesized that long-term liquid scintillators could ensure the operator’s safety and acquire environmental data under extreme conditions. Moreover, experimental know-how can be obtained by using low-gain semiconductor image sensors.

Keywords: Slow control, Liquid scintillator, Deep convolutional neural network, Pixel image analysis, High energy experiment, Neutrino, IoT, Embedded systems

본 논문은 사물 인터넷 기술과 기계 학습을 핵, 입자 실험의 데이터 획득 관련 저속 제어 시스템에 적용하였다. 합성곱 신경망을 이용하여 액체섬광검출 용액의 형광체 판별을 구축 응용의 한 예로 시도하였다. 실험실 수준에서, 액체섬광검출 용액의 형광 방출 성능에 큰 영향을 끼치는 인자들은 보고 되었지만 대형 실험의 극한 상황에서 장기간 성능 연구는 진행 중에 있다. 그 이유는 핵, 입자 실험 특성상 액체섬광검출 용액은 검출기 안에 밀봉되기 때문에 비침습적인 샘플 검사가 어렵기 때문이다. 특히 원자력 발전소 같은 방사선량이 아주 높은 극한 환경에서 액체섬광검출 용액의 장기적인 물리 화학적 안정성은 아직 보고되지 않았다. 방사능 위험 지역에 대한 접근은 많은 시간과 노력이 필요하다. 한편, 핵과 중성미자 간의 산란 단면적 추정 시, 계통 오차의 주된 요인은 중성미자 선속 정확도이다. 입자 붕괴를 통해 중성미자 발생과 측정이 간접적으로 이루어지기 때문에, 검출기 반응에 대한 감시 및 보정 목적의 저속 제어 시스템의 성능 향상이 요구된다. 현재까지 마이크로 컨트롤러의 경량화, 집적화, 그리고 사물 인터넷 기술이 발전하여 내장형 시스템의 경제성과 신뢰성이 크게 향상되었다. 그 결과로 연구자의 안전, 오랜 시간 극한 상황에서 액체섬광검출 용액의 환경 데이터 획득 및 향후 낮은 획득률을 가진 반도체 이미지 센서를 이용한 실험 비결 (know-how) 확보를 할 수 있을 것으로 기대한다.

Keywords: 저속 제어, 액체섬광검출 용액, 심층 합성 곱 신경망, 픽셀 이미지 분석, 핵 입자 실험,중성미자, 사물 인터넷, 내장형 시스템

액체섬광검출 용액 (Liquid scintillators, LS)의 주목적은 LS를 통과하는 입사 입자의 에너지를 잘 흡수하고, 그 흡수된 에너지를 원하는 파장 영역의 신호로 변환하는 것이다[1-3]. 여기서 원하는 파장 영역은 검출 시스템에 따라 다르다. 예로, 바이-알칼리 (bi-alkali) 기반 광전 증배관 (photomultiplier tube, PMT)은 420 nm 파장 영역에서 최대 검출 효율을 가진다[4]. LS에서 쓰이는 용매의 작용기 (functional group)는 방향족 탄화수소 (aromatic hydrocarbon)이고 단일 방향족 고리의 방출 파장은 주로 진공 자외선 영역이다. 방향족의 개수와 꼬리가 길어질수록 방출 파장이 길어진다. 검출 시스템의 최대 효율이 보이는 가시광선 흡수 스펙트럼 영역에 맞춰서 LS의 용매에 각각 다른 용질 혹은 형광체를 추가한다. 거대 유기 분자의 전자 구조에서 형광 전이와 산란은 고에너지 물리보다는 원자 분자 광물리학(atomic, molecular and optical physics)와 나노 광학(nano photonics) 이론 체계 내에서 효과적으로 기술된다[5-7]. 용매 분자에서 형광체 분자로의 에너지 전달은 복사 전이 과정과 비복사 전이 과정이 서로 경쟁적으로 발생하기 때문에, 효율적인 에너지 전달을 위해서는 다중 (multiple) 형광체 구성보다는 이중 (binary) 형광체 구성이 선호된다. LS 내에서 형광체 이외 불순물의 존재는 LS의 빛의 방출 효율, 감쇠 거리의 성능 감소를 유발할 수 있다. 이것을 방지하기 위해 LS 제조 합성 시 고순도 정제는 필수적이다. 또한, 장기간의 고선량 방사선 노출 상황에서 LS의 빛 방출 효율과 방출 스펙트럼의 연구가 아직 까지는 많이 진행되지는 않았다.

LS를 사용하는 핵, 입자 실험에서는 LS의 빛 방출 및 전파 성능에 영향을 주는 퀜칭 (quenching, 이온화 퀜칭 제외)과 산화를 방지하기 위해서 실험 운영 중에 비활성 (질소 혹은 아르곤) 기체를 주기적으로 LS에 주입할 수 있다. LS가 밀봉된 검출기 내부 압력을 감시하기 위해 압력 감지기를 포함한 여러 감지기 연결된 저속 제어 시스템을 사용한다. 통상 저속 제어 시스템은 약 1 Hz 이하의 느린 응답 속도가 요구되는 실시간 시스템을 의미한다[8]. 저속 제어 감시계가 사용되는 장소와 응답 속도를 고려하여 신뢰성 높은 내장형 시스템이 많이 채택된다. 내장형 시스템의 가장 큰 장점은 비록 느린 속도를 가지는 범용 입출력 포트 (general purpose input output, GPIO)와 소형 제어 유닛 (micro-controller unit, MCU)을 이용하여 외부와 통신을 쉽게 구현 및 제어할 수 있다[9]. 반도체 집적 공정의 미세화, 사물 인터넷 기술의 발전, 그리고 컴퓨팅 자원의 경제성 향상은 약 10-9 초 정도의 빠른 응답 할 수 있는 고속 전자회로 시스템에 사용되는 프로그래밍 가능한 집적 회로 (field programmable gate array, FPGA)를 교육용 저속 제어 시스템에 적용할 수 있다[10]. FPGA는 설계 목적상 저전력 병렬 연산 집적 회로이기 때문에, 직류 5 V 또는 12 V인 전압과 1 A 이하 소형화된 전원 공급에서 중앙처리유닛 (central processing unit, CPU) 혹은 그래픽처리유닛 (graphical processing unit, GPU) 보다 안정적인 처리 속도를 보장한다. 대표적인 응용으로 컴퓨터 비전에 사용되는 FPGA 카메라 시스템이 있다[11,12].

본 연구에서는, 세계적인 코로나 유행병 (pandemic) 상황에 대한 안전 조치 결과로 인한 빠듯한 FPGA 확보 일정과는 독립적으로, 미리 확보된 모듈로 저속 제어 시스템을 구현하였다. 이와 동시에 빠른 구현이 검증된 고급 축약된 명령어 집합 컴퓨터 (Advanced Reduced Instruction Set Computer Machine, ARM) 기반 개발 보드와 상보적 금속 산화물 반도체 (complementary metal-oxide semiconductor, CMOS) 이미지 센서를 이용하여 엑스선 픽셀 이미지 분석을 하였다[13]. 적은 데이터 집합에서 이미지 기반 분광 판별 목적용의 심층 합성 곱 신경망 (deep convolutional neural network, CNN)에 형광 이미지들을 학습 및 판별을 시도하였다. 따라서, 신경망 자체에 대한 이해보다는 실사용자 관점에서 어떻게 응용할 것인지에 초점을 맞추었다. 이러한 시행착오에서 얻어질 비결은 향후 학습된 신경망은 FPGA 기반 저속 제어 시스템에 성공적인 이식의 밑거름이 될 것이다.

1. 액체섬광검출 용액의 구성 요소 판별을 위한 준비와 심층 합성 곱 신경망 학습

상업용 LS는 화학 성분비가 고정되었고, 제한된 정보만 제공되기 때문에 사용자가 형광 스펙트럼을 조정하는 것은 매우 어렵다. 원하는 형광 스펙트럼을 방출하는 LS를 합성하기 위해서 인체와 환경 유해성이 검증된 선형알킬벤젠 (linear alkyl benzene, LAB, CnH2n+1-C6H5, n = 10-13)을 LS의 용매로 사용하였다[2,3,14]. LS의 형광체로 2,5-디페닐 옥사졸 (2,5-diphenyloxazole, PPO, C15H11NO), 1,4-비스(5-페닐-2-옥사졸릴)벤젠 (1,4-bis(5-phenyl-2-oxazolyl)benzene, POPOP, C24H16N2O), 1,4-비스(2-메틸렌 틸)벤젠 (1,4-bis(2-methylstyryl)benzene, bis-MSB, C24H22), 그리고 6-카르복실 플루오레세인(6-Carboxyfluorescein, 6-FAM, C21H12O7)을 사용하였다. LS 합성과 성능 평가에 대한 정보는 참조 논문에 기술되어 있다[15,16].

FPGA 기반 저속 제어 시스템에 이식할 CNN을 학습을 시키기 위해서, Fig. 1과 같은 훈련, 검증 (validation), 그리고 검정 (test) 이미지를 준비하였다. 첫 번째 검정 데이터의 이미지는 사각 아크릴 용기에 PPO가 녹아 있는 샘플에 전자선 빔을 조사하였다. 두 번째 검정 데이터의 미지는 Water+6-FAM (G1) 샘플에 잡음을 준 것이다. 총 이미지 개수는 약 400개, 좋은 품질의 데이터 확보와 추천 (curation)은 기계 학습에 중요한 문제이다. 하지만 데이터 추천도 많은 자원이 투입되기 때문에, 프로젝트 구현 가능성을 한정된 자원 내에서 확인하는 것도 중요하다. PPO의 형광 방출 스펙트럼의 최대치 파장은 약 355 nm, PPO+POPOP는 약 407 nm, PPO+bis-MSB는 약 420 nm, Water+6-FAM은 510 nm 이다. 훈련용 이미지의 획득은 언급된 형광체를 추가하여 합성된 LAB 및 Water 기반 LS 샘플을 중앙에 두고 양옆에 방출 스펙트럼의 최대치 파장 365 nm 인 자외선 램프를 배치하였다. 유효 화소가 10만 화소인 CMOS 이미지 센서가 내장된 디지털 카메라로 제조사 권장하는 야간촬영 모드로 촬영하였다. 이때 카메라 노출 시간은 1/24 초 - 5 초 구간을 20단계로 분할 및 설정한 노출 시간으로 각각의 이미지들을 획득했다. 검정용 이미지의 획득은 알코올 기반 LS에 PPO 첨가한 LS 샘플에 전자선을 조사하여 방출한 형광을 디지털 카메라로 1초 노출하여 촬영하였고, 6-FAM를 첨가한 LAB 기반 LS 샘플에 UV 램프와 청색 잡음에 노출하였고 훈련 이미지 사진과 같은 카메라 노출 조건으로 촬영하였다. 기계학습 패키지는 파이토치 (PyTorch)를 사용하였다[17]. 사용된 CNN 모델은 마이크로소프트 연구팀이 연구한 잔차 신경망 (Residual neural Networks, ResNets)을, 손실 함수는 다중 분류를 위해 교차 엔트로피 함수를, 최적화 알고리즘은 1차 미분 형태인 적응형 운동량 추정 알고리듬 (Adagrad+RMSProp, Adam)을, 그리고 활성화 함수는 구글 연구진 (google brain group)이 제안한 Swish 함수를 사용하였다[18-21]. 파이토치에서 검증 구현된 은닉층이 34개인 잔차 신경망 (ResNets34)을 사용하였고 매개변수 최적화는 범용 목적인 신경망 구현이 아닌 특수한 상황에서 이상 객체 패턴 탐지, 학습 주기마다 최신화되기 때문에 기본 설정을 하였다. 가능성 확인 목적상, 훈련 및 검증 이미지의 RGB 픽셀 세기를 표준화하고, 사전 정의된 신경망 매개변수를 다시 학습시켰고 (model unfreezing), 그 횟수 (epoch) 20회로 설정하였다.

Figure 1. (Color online) Schematic of train, validation, and test data set. The fluorescence of LS was generated by UV lamp or electron beam, respectively.

2. 응용 사용자를 위한 심층 합성 곱 신경망의 이해

핵, 입자 물리에서는 직관적인 데이터 분석 및 통계적 추론을 선호한다. 이는 전통적인 기술 통계(descriptive statistics) 기반 위에서 다변량 통계 기법과 확률론 및 리만기하학이 접목된 정보 기하학 (information geometry)이 통계적 기계 학습 분야에서 자주 다룬다. 즉 통계적 기계 학습의 연구는 데이터 학습 자체에 대한 추상적인 해석에 초점을 맞추며, 전산학적 기계 학습의 연구는 신경망의 구조 이해, 예측 성능 향상에 중점을 맞춘다. 신경망 학습에 시간과 자원이 많이 필요로 한다. 응용 연구자의 노력과 시간이 불필요하게 낭비되는 것을 막기 위해, 전산학 기계 학습의 특징을 알고, 데이터를 학습시켜야 한다.

2015년 ResNets 등장 이전에, 최초 대규모 학습에 응용된 CNN인 구글의 알렉스넷 (AlexNet), CNN의 학습 도중 역 합성곱 (deconvolution) 기법으로 시각화한 개발자들의 이름 앞부분을 딴 ZFNet, 옥스퍼드 대학 연구팀의 이름을 딴 VGGNet가 공개된 후 CNN 개발자들은 다음과 같은 사실을 확인하였다. ZFNet에서 CNN에서 풀링 연산에 따른 (신경망 구조 내에) 출력의 위치 불변성, CNN의 낮은 계층에서는 국소적인 특징이, 높은 계층에서는 전역적인 특징이 학습되며, 낮은 계층에서 높은 계층 순서로 학습, 학습 시 색, 형태 같은 특징 말고 위치도 학습한다는 것을 관찰했다[22]. VGGNet은 은닉층이 깊어질수록 전역적인 특징을 잘 학습하는 사실과 은닉층이 깊어 질수록 매개변수가 많아지는 것을 막기 위해, 아예 합성 곱 신경망 필터를 아주 작게 세분화하여 좋은 성능을 얻었다[23]. 알렉스넷이 발전된 형태인 GoogLeNet의 특징인 분리 및 변환 및 통합 구조 (혹은 네트워크 속의 네트워크(inception) 구조라 불림)의 특징, ResNets에서 잔차 학습 방법의 특징, 그리고 다른 CNN에서 깊은 은닉층에서 학습 최적화를 해결한 것, 학습이 안 되는 것들에 대한 설명들이 다음 문헌에 기술되어 있다[24]. 매개변수를 조절한 이유는 은닉층이 깊어질수록 그것을 표현해야 하는 매개변수와 그 매개변수 함수의 조합에 대한 경우의 수가 기하급수적으로 증가하여 결국은 출력단에서 학습의 의미가 사라지는 미분 값 소실 문제 (vanishing gradient problem)가 일어나기 때문이다. 은닉층이 깊지 않으면 활성화 함수를 정류형 선형 함수 (Rectified Linear Unit, ReLU)로 사용해서 해결하였고 깊을 때는 ReLU를 기본 활성화 함수로 설정한 후 병목 현상 구조 (residual block, bottle neck architecture)로 해결하였다[19,25]. ReLU의 입력값이 음수인 경우, ReLU는 학습이 안 되는 단점이 발견되어 입력값이 음수 경우에도 0 아닌 출력을 해주는 누설 정류형 선형 함수 (leaky Rectified Linear Unit, leakyReLU)가 제안되었다[26]. 최근 사용되는 활성화 함수의 형태는 ReLU 함수와 시그모이드 (sigmoid) 함수가 확장된 형태이다. 현재 CNN의 구조는 ResNet과 GoogLeNet의 신경망 구조를 기본으로 하여 개선 및 확장된 구조이다[19,27]. 컴퓨터 비전 분야에 사용되는 CNN의 강점은 특징 (feature) 학습을 잘한다는 것이다. 즉 이미지 특징들, 예로, 색, 형태, 위치에 민감하게 반응하고 학습한다. 이러한 강점 때문에, 객체의 이상 탐지 분야에 잘 응용된다. 위치보다는 척도 및 회전 변환한 객체의 합동 관계를 유추하는 범용적인 이미지 패턴 인식 분야에서는 CNN의 강점이 약점으로 작용한다. 이것을 해결하기 위해 캡슐 신경망이 제안되었다[28].

3. 심층 합성곱 신경망의 이미지 판별 결과 및 해석

패턴 인식 목적으로 약 400개 학습 데이터, 약 200개 검증 데이터로 ResNet34을 학습시키고, 학습 때 신경망이 한 번도 보지 못한 이미지로 검정을 시도하였다. 학습 이미지에 있는 LS 샘플의 용기는 작은 원통형 유리만 사용하였고, 검정 이미지에서는 넓은 사각 아크릴을 추가로 사용하였다. Figure 2는 전산학 분야에서 선호되는 통합 개발 환경 (integrated development environment, IDE) 중 하나인 마이크로소프트사의 비쥬얼 스튜디오 코드 (visual studio code)에서 위에서 언급된 LS의 형광 이미지를 학습한 ResNet34의 판별 결과를 포착 (capture)한 것이다. 검정 된 결과들을 분석하면, 이미지상의 색, 위치, 외형 특징 학습을 잘하는 전형적인 CNN의 강점이 드러난다. Figure 2(a)-(d)는 학습된 신경망의 예측을 위한 검정 이미지들이다. 훈련과 검증 시 각각 이미지들의 적, 녹, 청색의 픽셀 세기를 각각 이미지들의 기술 통계량 (평균, 분산)으로 표준화했기 때문에, 검정 시에도 똑같은 기술 통계량으로 표준화하였다. Figure 2(a), (c)는 훈련과 검증 단계에서 보여주지 않은 비스듬한 PPO 이미지와 아주 강한 잡음이 섞인 Water+6-FAM의 형광 이미지이다. Water+6-FAM 샘플을 전산 구현 편의를 위해 “G1”으로 별칭(alias) 하였다. Figure 2(b)는 훈련 단계에서 보여주지 않고 검증 단계에서 보여준 약한 잡음이 섞인 G1 이미지이다. Figure 2(d)는 훈련과 검증 단계 모두 다 보여준 잡음이 없는 G1 이미지이다. Figure 2(e)는 비스듬한 PPO 입력 이미지에 대해서 신경망의 결과는 “PPO” (약 7점) 라고 판별한 결과이다. 훈련 및 검증 이미지에서 자외선램프의 발광 스펙트럼이 섞여 있지만, 검정 이미지에서는 전자선으로 인한 발광만 있다. 자외선램프의 필터는 400 nm 이상 가시광선은 차단하지만, 380-400 nm의 가시광선 영역은 차단 못 시킨다. 차단 안 된 영역이 학습되어서 신경망이 “PPO” 다음으로 “PPO+POPOP” (약 4점) 라고 판별한 것이라 추정된다. Figure 2(f)는 검증 단계에서 학습된 약한 잡음 Water+6-FAM 이미지에 대해서 신경망의 결과는 “G1” (약 3점)이다. 약한 잡음은 PPO+bis-MSB의 스펙트럼과 유사하여 다음으로 높은 결과는 “PPO+bis-MSB” (약 0.25점) 판별한 것으로 추정된다. Figure 2(g)는 훈련 및 검증 때 안 본 강한 잡음이 섞인 Water+6-FAM 이미지에 대한 신경망의 결과는 “PPO+bis-MSB” (약 122점)라고 판별한 결과이다. Figure 2(i)는 훈련과 검증 때 본 잡음이 없는 Water+6-FAM 이미지에 대해서 신경망의 결과는 “G1” (약 26점)라고 판별한 결과이다. 학습 데이터가 너무 적어 신뢰성이 떨어지지만, 학습된 이미지 판별에 대해서는 원하는 반응을 확인하였다.

Figure 2. (Color online) Screenshot of the prediction results of a residual neural network trained. Before training, data were standardized, and then the learning conditions are as follows; (activation) the swish function; (epoch) 20; (optimizer) Adam; (loss) the cross entropy. (a) and (c) the test image was never seen in the training and validation phase. (b) the test image was not seen in the training step before. (d) the test image was seen training and validation phases. (e)-(i) are prediction results of the neural network for (a)-(d). The filter of the UV lamp blocked wavelengths over 400nm, but did not block the visible light range of 380 to 400 nm. The training image contained the spectra of the UV lamp overlapping the spectral regions of PPO and PPO+POPOP.

4. 단일 보드 컴퓨터 선택 배경

높은 방사선량 환경에서 내장형 시스템을 운용할 경우, 휘발성 메모리 소자와 비휘발성 메모리 소자에 대한 단일 사건 효과 (single event upset (or effect))와 총 이온화 선량 (total ionizing dose) 현상 같은 방사선 손상이 중요하다[29,30]. 휘발성 메모리 소자가 비휘발성 메모리 소자보다 방사선 내구성이 강하다[31]. 비휘발성 메모리 소자를 방사선 손상 관점에서 바라보면, 전하 기반 저장 장치와 저항 기반 저장 장치로 크게 2가지 관점으로 볼 수 있고 저항 기반 장치가 전하 기반 장치보다 방사선 내구성에 더 강하다[32]. 소프트웨어 공학적으로 내장형 시스템에서는 결함 회피 방식보다는 결함 허용하는 상황 가정하에서 신뢰성을 높이는 절차가 권장된다[33,34]. 즉 내장형 시스템에서 휘발성 메모리와 여러 개의 FPGA 소자를 장착하여 같은 작업을 복제해, 동시에 각각의 FPGA 칩에서 처리 및 비교해서 더 높은 안전성을 확보한다. 현재 전 세계적인 반도체 수급 상황으로 인한 Xilinx (AMD) 또는 Agilex (Intel) 계열 FPGA 개발 보드 확보 상황과 독립적으로, 64 비트 ARM (ARM64) 기반 내장형 시스템인 라즈베리 파이 4 (Raspberry Pi 4 model B 8GB)로 연구를 진행하였다. 내장형 시스템과 FPGA 개발 환경은 리눅스 (Linux) 계열 운영체제에서 개발이 선호되기 때문에, 저수준 언어 수준에서 해당 칩 제조사의 컴파일러를 이용하여 ARM64 보드와 FPGA 보드 간의 프로그램 이종 이식이 가능하다. 또한 ARM 구조 자체도 물리 실험에서 많이 사용되는 실험 물리 및 산업 제어 시스템 (experimental physics and industrial control system, EPICS)에서도 지원 가능한 구조이며 ARM 구조 위에서 구동되는 EPICS 통신망(network)을 통한 입출력 제어(input/output controller, IOC)가 가능하다[35].

5. 측색학

인간의 색 인지 실험에서 1931년 국제 조명 위원회 (Commission internationale de l'éclairage, CIE)에서 수학적으로 정의한 RGB, XYZ 색 공간을 이용하여 측색학(colorimetry)에 관련된 물리량을 표준화하였다[36]. 측색학의 개념과 역사는 다음의 문헌에 자세히 기술되어 있다[37-40]. 1931년 CIE에서 표준화한 CIE RGB 색 공간은 맥스웰 (J. C. Maxwell)의 색 삼각형 (color triangle), 영 (T. Young)과 헬름홀츠 (H. V. Helmholtz)의 삼색 자극 이론 (trichromatic theory)에 기초해서 정의한 주색 (primary color)인 적 (red, R), 녹 (green, G), 청색 (blue, B)으로 이루어진 수학적인 색 공간이다. 색 공간에서 색 연산을 어떻게 정의하는 가에 따라서 빛의 색 가산혼합 혹은 물감의 색 감산혼합으로 나눌 수 있다. 다르게 말하면, 색 공간을 생성하는 기저는 색 대응 함수 (color matching function, CMF)이고 결국은 CMF의 치역 범위가 음수까지 확장되는가에 따라서, 빛의 가산혼합은 역원이 없는 연산(덧셈) 구조인 모노이드 (monoid)로 표현, 물감의 감산혼합은 역원이 존재하는 연산 (덧셈과 뺄셈) 구조인 군 (group)으로 표현되는가로 결정된다. CMF는 표준화된 색의 자극에 대한 인간의 색 반응을 정량화한 물리량이다. 계면에서 빛과 물질 간의 전자기 상호작용을 고려하면, 입사와 산란했을 때의 스펙트럼 파장이 다르다. 다양한 표면 반사 모형들은 결국 정반사 (specular reflection)과 난반사 (diffuse reflection) 요소로 분해된다[41]. 1931년 및 그 이전의 측색학 이론과 색 대응 (color matching) 실험에 기초한 CIE RGB 색 공간의 CMF는 음수 값을 포함하고 있어서 빛의 가산혼합을 표현하기가 적절하지 않다[42,43]. 색 대응 실험에서 정의한 표준 관찰자를 정의하여 CIE는 현실적인 측면에서 가산혼합 구조를 보존하면서 CMF의 값이 모두 양수인 CIE XYZ 색 공간을 정의하였다[44]. CIE RGB와 XYZ의 CMF 간의 선형 변환이 존재하고 구체적인 형태는 CIE에서 정의하였다. CIE XYZ 색공간에서 (1, 1, 1) 방향으로 2차원 투영된 CIE xy 색도 분포표 (chromaticity diagram)에서 (물질이 표현할 수 있는) 3개의 주색의 조합으로 표현 가능한 색 영역인 색역 (gamut)과 (인간이 인식할 수 있는) CIE XYZ 색 공간을 관습적으로 비교한다. CIE xy 색도 분포표에서 인간이 인식할 수 있는 색역의 형태는 말 안장 모양이고, 3개 주색으로 표현 가능한 색역의 형태는 삼각형이다. 삼각형과 말안장이 겹쳐지지 않은 부분이 3개의 주색으로 표현할 수 없는 색 영역이거나 인간이 인식할 수 없는 색 영역이 된다. 빛과 물질 간의 상호작용, 시각, 그리고 대뇌 피질을 고려하여 수학적인 표현은 군의 표현이 더 정확할 것이다, 하지만 아직도 뇌의 많은 부분이 연구 중이다. 색은 좁은 의미로 가시광선의 스펙트럼, 넓은 의미로는 감각이다. 카메라 장치와 이미지 신호 처리 장치는 인간의 시각을 모사하였다. 그리하여 이미지 처리 장치에는 CIE가 표준화한 색 공간을 참고로 하여 여러 알고리듬이 구현되었다[45].

6. 이미지 분석

CMOS 이미지 센서를 LS의 방출 스펙트럼 감시 목적으로 사용하는 것 외에도 실시간 능동형 고에너지 선량 경보기로 사용할 수 있다. Figure 3에서 발간색 상자 안에 있는 라즈베이파이4B에 CMOS 이미지 (SONY IMX477) 센서를 장착하여, 이미지 센서에 의료용 엑스선을 노출하였다. 이때 엑스선은 최대 펄스 가속 전압 100 kV에서 열전자를 텡스텐에 충돌시켜서 발생 된 제동 복사선과 특성 엑스선이다. 라즈베리파이 4B 밑에 있는 사각 판은 엑스선 입사 여부 확인용으로 설치한 비정질 (amorphous) 셀레늄 평판형 엑스선 검출기이다. 소형 장치 용량 때문에, 엑스선 노출 시간이 0.001 초 - 0.1 초 정도이다. 엑스선 입사 시작과 이미지 센서의 데이터 획득 시작의 동기화 문제 부분은, 이미지 센서를 제어하는 프로그램을 수정하여 약 10초의 획득 시간과 동영상 촬영 설정으로 해결하였다. 획득된 동영상을 정지 사진별 (frame)로 추출하여, 센서에 엑스선이 입사된 이미지를 결정하였다. Figure 4는 테이블에서 낮은 조도 환경에서, CMOS 이미지 센서에 6mm 렌즈 결합 유, 무 그리고 엑스선 노출 유, 무 따른 선택된 픽셀 이미지이다. Figure 4(a)는 배경 잡음을 CMOS 이미지 센서로 획득한 이미지이고, Fig. 4(b)는 CMOS 이미지 센서가 엑스선에 노출되었을 때 이미지이다. CMOS 이미지 센서의 단위 픽셀 구성은 적, 녹, 청색이 1:2:1 비율로 구성되어 있다. Figure 4(a), (b)는 CMOS 이미지 센서가 외부 광원이 약하지만 직접적으로 노출되어 포화 된 상태와 내부 신호처리장치의 높은 동적 범위 (high dynamic range, HDR) 처리 결과로 적, 녹, 청색의 1:2:1 비율로 녹색이 지배적인 이미지가 아니라 2:1:2 비율로 분홍색이 지배적인 이미지로 된 것이라 추정된다[46,47]. Figure 4(c), (d)는 똑같은 조도 환경에서 CMOS 이미지 센서에 렌즈를 장착하여 배경 잡음의 이미지와 CMOS 이미지 센서에 엑스선을 노출 시켰을 때 이미지이다. 엑스선에 노출되었을 때 Fig. 4(b), (d)를 픽셀 신호 패턴 (pattern)을 보면 무작위 분포라는 것을 알 수 있고, 선행 연구에서 6, 9, 12 MeV 전자선에 노출되었을 때 비슷한 신호 패턴이라는 것을 확인할 수 있다[48]. Figure 5(a)-(c)는 이미지 센서에 렌즈를 장착 안 했을 때, 이미지 센서에 엑스선 입사 여부에 따른 삼색 픽셀 강도의 분포이다. 앞에서 언급한 내부 신호처리 장치의 HDR 반응과 포화 된 반응이 배경 잡음만 있을 때 삼색의 좁은 픽셀 강도 분포의 원인이라 이해된다. 가시광선의 에너지 영역은 약 3 eV 이내, 실험에 쓰인 엑스선의 에너지는 약 100 keV 이하 영역이다. 광자의 에너지가 반도체의 공핍층 (depletion layer)에서 전자 양공쌍 (electron-hole pair) 변환에 전부 쓰인다고 가정하면, 엑스선이 더 많은 전기 신호를 만들어 낼 것이고, 이것은 공간적인 픽셀 누화 (pixel cross-talk)를 일으킬 가능성을 높인다[49]. CMOS의 엑스선 노출시, 삼색 픽셀 강도의 분포는 결국 내부 신호처리 장치의 HDR 반응과 CMOS의 누화 (cross-talk) 현상의 결과들로 이해될 것이다. Figure 5(d)-(f)는 이미지 센서에 렌즈를 장착하여 엑스선 노출 여부에 따른 삼색 픽셀 강도의 분포이다. 렌즈 장착의 결과, 이미지 센서로 들어오는 배경 잡음이 많이 줄어들었을 확인할 수 있으며, 실제 이미지상에서 확인한 대로 검정색 배경에 삼색 픽셀 반응과 일관성 있는 삼색 픽셀 분포를 보여준다. Figure 5(g)-(i)는 광범위한 척도 규모를 좀 더 확대하여 안 보이는 배경 잡음을 시각화한 삼색 픽셀 분포이다.

Figure 3. (Color online) The figure showed that inside the red plastic on the flat panel selenium detector was a “Rasberry Pi 4 Model B” with CMOS image sensors and other input/output devices connected to the Rasberry Pi. In addition, the figure demonstrated the range for adjusting the X-ray exposure area to cover the CMOS sensor.

Figure 4. (Color online) When the CMOS image sensor (was)/(was not) equipped with a lens, (a)/(c) and (b)/(d) displayed the pixel images depending on the absence or presence of X-ray exposure.

Figure 5. (Color online) (a)-(c) and (d)-(i) was the RGB pixel intensity distribution depending on the presence or absence of lens and with or without X-ray exposure. The only difference between (d)-(f) and (g)-(i) was the range of pixel intensity. (Without the lens), the narrow distribution of the RGB was understood as the high dynamic range (HDR) and saturation response of the CMOS sensor. (With the lens), the wide distribution of the RGB was understood as a result of the HDR, the response, and the pixel cross-talk phenomenon of the CMOS sensor.

7. 핵, 입자 실험에서 FPGA 기반 저속 제어 구축 계획

핵, 입자 물리에서 입자 간의 상호작용 단면적을 정밀하게 계산 및 측정하는 것은 매우 중요하다. 상호작용 단면적 추정의 정확도는 입자 선속의 정확도에 비례한다. 입자 선속에 대한 추정은 검출기 성능이 좋을수록 더 정확해진다. 핵, 입자 실험에서 사용될 검출기 연구 개발을 하면 각 분야의 전문가와 협업이 진행된다. 주문형 반도체 (application-specific integrated circuit, ASIC)는 대량 생산할수록 경제성이 좋아지기 때문에, 매우 높은 성능이 요구될 때를 제외하고는 핵, 입자 실험 운용상 선호되지 않는다. 해당 전문가들이 만든 ASIC과 FPGA의 성능이 핵, 입자 실험에서 요구된 성능을 충족시키는지 검증하여 그 결과를 해당 전문가에게 자문해야 한다. 핵, 입자 연구진들이 현장 검증을 수행한다. 학문 후속 세대는 연구 현장에서 시시각각 변화하는 요구 사항 (예, 고전압, 위치, 압력 탐지기 등)들의 운용 최적화를 FPGA 평가 보드 (evaluation board)로 충족시켜 줄 수 있다. 교육적으로 평가 보드를 통해 하드웨어, 소프트웨어 제어의 요구 사항을 맞게 수정 변경하여 최적화 훈련을 할 수 있고, 절차형 프로그래밍은 상대적으로 다른 프로그래밍 패러다임과 달리 직관적이기 때문에 훈련 부담감이 상대적으로 낮다. 최신하드웨어 및 소프트웨어 자동화 구현 시, 연구자가 원하는 동작을 표현한 블록 다이어그램 (block diagram)을 어셈블리어 수준의 명령어 집합을 이용하여 순차적 표현해야 한다. LabVIEW 같은 IDE들은 FPGA 제조사의 컴파일러와 연동이 지원되기 때문에 연구자가 작성한 블록 다이어그램을 명령어 집합으로 쉽게 번역 또는 빌드 (build=compile+link) 시켜준다. Figure 6은 현재 확보된 일부 Xilinx 계열 FPGA 모듈이 내장된 Natinal Instruments (NI) 회사의 내장형 시스템이다. 핵, 입자 실험에서 수백 V - 수천 kV 전압이 인가되는 검출기는 전압 대비 전자 개수 곡선 (또는 전압 대비 전류 곡선 (voltage current, I-V curve))의 선형 증가부, 평탄 능선부, 그리고 여러 방전 부분의 끝단에 작동전압을 설정하기에 전압 변화에 민감하다. 사용되는 검출 모듈은 다양한 상황에서 수많은 검증을 통해서 물리 변수 간에 상관관계를 확인한다. 그러나 미세 전자회로 모듈이 좀 더 큰 전자회로 모듈 혹은 시스템으로 통합되면 각 미세 전자회로가 지니고 있던 본질적인 전기 성질들이 저항, 코일, 축전기들의 특성들의 복잡한 요인들로 인해 달라진다. 핵, 입자 실험 연구 현장에서 자주 관찰되는 현상은 저항판 검출기, 광전자증배관 같은 소자에 연결되는 고전압선의 부분 방전, 축전기와 코일 열화로 인한 외부 잡음 침투이다. 고전압선, 축전기, 그리고 코일의 부분 방전의 원인은 전기적, 열적, 그리고 기계적 부하로 유전체 내부에 형성된 미세 공동 같은 불균질한 물질분포로 발생 된 전위 왜곡이다. 부분 방전에 의한 고주파 잡음 신호는 고전압선 내에서 전파하면서 손실되며, 약 100 MHz 이하의 잡음 신호만 멀리 전파된다[50,51]. 부분 방전으로 발생 된 잡음은 광전자증배관과 데이터 획득 장치의 신호 증폭에 영향을 줘서 검출기의 파형 (waveform) 응답에서 쉽게 인지할 수 있다. 이러한 잡음은 노출된 금속 표면, 피복 및 결선 불량한 지점을 통해서 침투하기 때문에, 연구 현장에서 즉각적인 차폐, 교체 작업으로 계통 오차 증가시키는 요인을 제거할 수 있다. 하지만 검출 모듈이 증가할수록 운용 및 유지 보수에 투입되는 연구진의 부담 또한 더 커지기 때문에, 감시 절차를 자동화해주는 저속 제어 시스템이 필수적이다. 또한 데이터 주도 기계 학습에서 정교한 데이터 관리는 필수이기 때문에, 고성능 저속 제어 시스템이 꼭 필요하다. 기계 공학 혹은 전기 공학에서 이미 초 고전압선에서 사용되는 고주파 부분 방전 측정법을 일반 고전압 배선에도 적용하는 사례가 늘어나고 있으며, 심지어 펄스, 자외선, 초음파 이미지에 신경망을 적용하여 부분 방전을 탐지하고 있다[52,53]. 저속 제어 시스템의 고전압 감시 모듈에 부착되는 전류 변환기에 신경망 기술 적용을 검증하여 좀 더 정확한 보정을 할 수 있을 것이라 기대한다[54]. 연구 현장에서 고성능 저속 제어 시스템이 요구됨에 따라, 저속 제어 시스템은 EPICS 서버, 데이터베이스 서버 각각의 통신 속도가 중요하다. 현장 시험 후 시스템의 샘플링 속도, 전송 방식과 전송 거리 등을 고려하여 베사 모듈 유럽형 버스 (Versa Module Europa bus, VMEbus), 범용 직렬 버스 (universal serial bus, USB) 통신, 이더넷 통신, 직렬 포트, 그리고 무선 통신 모듈을 결정할 수 있다. 내장형 시스템 개발 문화상, 하드웨어 성능 검증과 제어 소프트웨어 구현은 하드웨어와 소프트웨어가 동시에 상호 보완적으로 수행하면서 경험이 축적되므로, 부품 확보가 절실하다. 향후, 핵, 입자 실험에서 저속 제어 시스템에 LS의 여러 환경 물리량을 감시하는 감지기 외, CMOS 이미지 센서를 추가하는 것은 충분한 연구 가치가 있으며, 전문가의 경험과 지식을 학문 후속 세대에게 전수하는 것은 중요한 임무이다.

Figure 6. (Color online) Control slots for data collection. National Instruments (NI) were embedded for the system incorporating Xilinx family FPGA modules.

심층 합성 곱 신경망을 이용하여 LS의 구성 요소를 판별하는 시도를 하였다. 신경망의 범용적인 성능보다 분광 판별 목적을 위해 훈련 데이터를 구성하였다. 판별 결과를 보면 전형적인 심층 합성 곱 신경망의 특징을 보여준다. 고성능 컴퓨팅 환경 혹은 개인용 컴퓨터 환경에서 학습시킨 심층 학습 곱 신경망은 신경망 모형 교환 패키지를 이용하여 내장형 시스템으로 이식할 수 있다. 핵, 입자 실험의 데이터 획득 관련 저속 제어 시스템을 프로그래밍 가능한 반도체 구축 및 연구하는 도중, 동시에 고급 축약된 명령어 집합 컴퓨터 보드를 사용하여 일부 이미지 저속 제어 시스템을 구현하였다. 이미지 센서에서 높은 동적 범위의 영향을 관찰, 고에너지 입자 경보기로 사용될 가능성을 확인하였다. 하드웨어 및 소프트웨어 분야의 내장형 시스템 개발을 위해서는, 부품 확보가 우선되어야 한다. 마지막으로 실험 비법 확보를 위해 전문가의 경험과 지식이 학문 후속 세대들에게 성공적으로 전수되어야 함을 강조한다.

이 논문은 2020년도 정부 (교육부)와 2022년도 정부 (과학기술정보통신부)의 재원으로 한국연구재단의 기초연구사업 (2020R1I1A3066835), 중견연구사업 (2022R1A2C1006069), 선도연구센터지원사업(2022R1A5A1030700) 및 전남대학교 연구자역량고도화사업 지원을 받아 수행된 연구입니다.

  1. Y. Abe et al, Phys. Rev. Lett. 108, 131801 (2012).
    CrossRef
  2. F. P. An et al, Phys. Rev. Lett. 115, 111802 (2015).
    CrossRef
  3. J. K. Ahn et al, Phys. Rev. Lett. 108, 191802 (2012).
    CrossRef
  4. Hamamatsu Photonics K.K., PHOTOMULTIPLIER TUBES. (Hamamatsu2017).
  5. I. V. Hertel and C-P. Schulz, Atoms, Molecules and Optical Physics. (Springer2015).
    CrossRef
  6. I. V. Hertel and C-P. Schulz, Atoms, Molecules and Optical Physics. (Springer2015).
    CrossRef
  7. M. Quinten, Optical Properties of Nanoparticle Systems: Mie and Beyond. (Wiley-VCH2011).
    CrossRef
  8. E. Aprile et al; XENON100 Collaboration, JINST 7, T12001 (2012).
    CrossRef
  9. S.-G. Moon and J. Korea, Inst. Inf. Commun. Eng. 16, 107 (2012).
    CrossRef
  10. B. Cho, N. Kim and Y. Yu, J. Pract. Eng. Educ. 8, 111 (2016).
    CrossRef
  11. Machine Vision FPGA Computer Vision - Intel R FPGA, https://www.intel.com/content/www/us/en/industrial-automation/programmable/applications/machine-vision.html (accessed March 17th 2022).
  12. Machine Vision - AMD R Xilinx, https://www.xilinx.com/applications/industrial/machine-vision-systems.html (accessed March 17th 2022).
  13. W. Gay, Raspberry Pi Hardware Reference. (Apress2014).
    CrossRef
  14. M. C. Chen, Nucl. Phys. B (Proc. Suppl.) 145, 65 (2005).
    CrossRef
  15. B. C. Kim et al, New Phys.: Sae Mulli 71, 21 (2021).
    CrossRef
  16. Y. S. Park, Y. M. Jang and K. K. Joo, Rev. Sci. Instrum. 89, 043302 (2018).
    Pubmed CrossRef
  17. A. Paszke et al, PyTorch: An Imperative Style, High-Performance Deep Learning Library, In Advances in Neural Information Processing Systems 32, 8024 (2019).
  18. Pytorch hub for researchers, https://pytorch.org/hub/research-models (accessed March 17th 2022).
  19. K. He, X. Zhang, S. Ren and J. Sun Deep Residual Learning for Image Recognition, 2016 IEEE Conference on Computer Vision and Pattern Recognition (Las Vegas, 2016), p. 770-778.
    Pubmed CrossRef
  20. D. P. Kingma and J. Ba Adam: A Method for Stochastic Optimization, the 3rd International Conference for Learning Representations (San Diego, 2015).
  21. P. Ramachandran, B. Zoph and Q. V. Le Searching for Activation Functions, 6th International Conference on Learning Representations (Vancouver Convention Center, Vancouver, BC, Canada, 2018).
  22. A. Khan et al, Artif. Intell. Rev. 53, 5455 (2020).
    CrossRef
  23. M. D. Zeiler and R. Fergus, Visualizing and Understanding Convolutional Networks, ECCV 2014, Lecture Notes in Computer Science 8689, 818 (2014).
    CrossRef
  24. K. Simonyan and A. Zisserman Very Deep Convolutional Networks for Large-Scale Image Recognition, International Conference on Learning Representations.
  25. K. Fukushima, Biol. Cybernetics 36, 193 (1980).
    Pubmed CrossRef
  26. A. L. Maas, A. Y. Hannun and A. Y. Ng Rectifier nonlinearities improve neural network acoustic models, ICML Workshop on Deep Learning for Audio, Speech and Language Processing.
  27. C. Szegedy et al Going deeper with convolutions, 2015 IEEE Conference on Computer Vision and Pattern Recognition, p. 1-9.
    CrossRef
  28. S. Sabour, N. Frosst and G. E. Hinton Dynamic Routing Between Capsules, 31st Conference on Neural Information Processing Systems (Long beach, 2017).
  29. European Space Agency (2016) Total Dose Steady-State Irradiation Test Method. European Space Components Coordination.
  30. European Space Agency (2016) Single Event Effects Test Method and Guidelines. European Space Components Coordination.
  31. P. E. Dodd et al, IEEE Trans. Nucl. Sci. 57, 1747 (2010).
    CrossRef
  32. M. J. Marinella, IEEE Trans. Nucl. Sci. 68, 546 (2021).
    CrossRef
  33. Functional safety of electrical/electronic/programmable electronic safetyrelated systems, parts 1-7 (2010).
  34. Functional safety: safety instrumented systems for the process industry sector, parts 1-3 (2016).
  35. L. R. Dalesio et al, NIM-A 352, 179 (1994).
    CrossRef
  36. CIE, Commission internationale de l'Eclairage Proceedings (1931).
  37. G. Wyszecki and W. S. Stiles, Color Science: Concepts and Methods, Quantitative Data and Formulae. (Wiley2000).
  38. N. Ohta and A. R. Robertson, Colorimetry Fundamentals and Applications. (Wiley2005).
    CrossRef
  39. J. Schanda, Colorimetry: Understanding the CIE System. (Wiley2007).
    KoreaMed CrossRef
  40. D. Malacara, Color vision and colorimetry theory and applications. (SPIE2011).
    CrossRef
  41. P. Beckmann and A. Spizzichino, The Scattering of Electromagnetic Waves from Rough Surfaces. (Artech House Publishers1987).
  42. W. D. Wright, Trans. Opt. Soc. 30, 141 (1929).
    CrossRef
  43. J. Guild, Philos. Trans. R. Soc. A 230, 149 (1931).
    CrossRef
  44. D. B. Judd, JOSA A 23, 359 (1933).
    CrossRef
  45. H. Maître, From Photon to Pixel. 2nd ed. (Wiley2017).
  46. M. Schanz et al, IEEE J. Solid-State Circuits 35, 932 (2000).
    CrossRef
  47. A. E. Gamal High Dynamic Range Image Sensors, International Solid-State Circuits Conference.
  48. J. Y. Choi et al, Phys. Scr. 96, 045305 (2021).
    CrossRef
  49. A. J. Blanksby and M. J. Loinaz, IEEE Trans. Electron Devices 47, 55 (2000).
    CrossRef
  50. M. Hasheminezhad and E. Ildstad Partial discharge inception of interface voids versus mechanical surface pressure, 2010 International Conference on High Voltage Engineering and Application, p. 397-400.
    CrossRef
  51. K. J. Lim et al, A study on the measurement of partial discharges in XLPE power cables using planer loop sensors, 1216-1219 (2008).
  52. C. W. Ha, K. H. Ju and W. S. Lim, Trans. Korean Inst. Electr. Eng. 60, 1632 (2011).
    CrossRef
  53. M. Florkowski, Energies 13, 5496 (2020).
    CrossRef
  54. D. C. Yu et al Neural network for current transformer saturation correction, 1999 IEEE Transmission and Distribution Conference (Cat. No. 99CH36333), p. 441-446.

Stats or Metrics

Share this article on :

Related articles in NPSM