Transformer Neural Networks in the Measurement of $t\bar{t}H$ Production in the $H\,{\to}\,b\bar{b}$ Decay Channel with ATLAS

ATLAS 검출기의 13 TeV 양성자-양성자 충돌 데이터 140 fb⁻¹를 사용하여, 이 논문은 트랜스포머 신경망을 활용하여 신호-배경 판별력과 힉스 횡방향 운동량 재구성을 크게 개선함으로써 배경-전용 가설에 대해 4.6 표준 편차의 관측된 과잉을 도출한 $H\to b\bar{b}$ 붕괴 채널에서의 $t\bar{t}H$ 생성 측정 결과를 제시한다.

핵심

거대 강입자 충돌기(LHC)를 초기 우주의 조건을 재현하기 위해 양성자를 서로 충돌시키는 거대하고 고속인 입자 충돌기로 상상해 보십시오. 이 혼돈 속에서 물리학자들은 매우 구체적이고 희귀한 사건, 즉 '힉스 보존'(다른 입자들에게 질량을 부여하는 기본 입자)이 '톱 쿼크'(알려진 가장 무거운 입자) 한 쌍과 동시에 탄생하는 순간을 추적하고 있습니다.

이 논문은 2015년에서 2018년 사이 ATLAS 검출기에서 수집된 데이터를 사용하여 이 희귀한 사건을 찾아내는 더 똑똑하고 새로운 방법을 설명합니다. 다음은 그들이 무엇을 했고 무엇을 발견했는지에 대한 요약이며, 일상적인 비유를 사용하여 설명합니다.

도전 과제: 건더기 속에서 바늘 찾기

그들이 찾고자 하는 특정 사건은 ��로 붕괴하여 두 개의 '바텀 쿼크'가 되는 것입니다. 문제는 우주가 이 신호와 거의 똑같이 보이는 엄청난 양의 '배경 소음'을 생성한다는 점입니다. 구체적으로는 무작위 입자 제트(jets)와 함께 생성된 톱 쿼크 쌍이 이에 해당합니다.

이것은 마치 붐비고 시끄러운 경기장에서 특정 노래가 연주되는 것을 들으려고 노력하는 것과 같습니다. 여기서 노래는 신호(힉스 + 톱 쿼크)이고, 군중의 환호성은 배경 소음(톱 쿼크 + 무작위 제트)입니다. 이전의 시도들에서는 "군중"의 소리가 너무 커서 실제로 노래가 연주되고 있는지조차 구분하기 어려웠습니다.

새로운 도구: "트랜스포머(Transformer)" 신경망

이 논문의 가장 큰 혁신은 트랜스포머 신경망의 사용입니다. 여러분은 에세이를 쓰거나 언어를 번역하는 AI 도구에서 트랜스포머를 접했을 수도 있습니다. 이 맥락에서 과학자들은 이를 초스마트 분류 기계로 사용했습니다.

• 왜 트랜스포머인가? 입자 충돌에서는 튀어나오는 입자들의 정해진 순서가 없습니다. 트랜스포머는 특별한데, 그 이유는 순서를 따지지 않고 전체적인 그림을 한꺼번에 보기 때문입니다. 이는 마치 50개의 흩어진 단서가 있는 지저도한 범죄 현장을 보고, 단서들을 하나씩 특정 순서대로 살펴보려는 기존 방식과 달리, 현장을 보자마자 즉시 사건의 전말을 이해하는 탐정과 같습니다.
• 분류 작업: AI는 모든 충돌을 살펴보고 다음과 같이 결정하도록 훈련되었습니다. "이것은 희귀한 힉스 노래인가, 아니면 그저 시끄러운 군중인가?" AI는 사건들을 놀라운 정밀도로 다양한 카테고리(예: "신호", "군중 유형 A", "군중 유형 B")로 분류합니다.

전략: 그물을 넓히다

AI가 신호와 소음의 차이를 구별하는 능력이 매우 뛰어나기 때문에, 과학자들은 전략을 변경할 수 있었습니다.

• 과거의 방식: 과거에는 소음을 차단하기 위해 매우 엄격한 "사전 선택(pre-selection)" 필터(클럽의 문지기 같은 역할)를 설정해야 했습니다. 이는 가장 깨끗하고 명확한 사건들만 골라내야 했음을 의미하며, 이로 인해 필터가 너무 촘촘하여 실제 신호의 상당 부분을 놓치게 되었습니다.
• 새로운 방식: AI가 초스마트 문지기 역할을 함으로써, 과학자들은 더 많은 사람을 클럽에 들여보낼 수 있었습니다(사전 선택을 완화함). 그들은 이전보다 3배나 많은 사건을 들여보냈습니다. 그 후 AI가 나중에 프로세스의 다른 단계에서 좋은 것과 나쁜 것을 분류하는 힘든 일을 대신 수행했습니다. 이를 통해 신호를 포착하는 능력이 세 배로 증가했습니다.

또한 그들은 "재구성(reconstruction)" 네트워크를 구축했습니다. 이것은 자동차가 남긴 타이어 자국만 보고 자동차의 속도를 알아내는 것과 같습니다. AI는 충돌의 잔해를 보고 힉스 보존의 정확한 속도(횡운동량)를 계산하여, 다양한 속도에서 힉스가 어떻게 행동하는지 연구할 수 있게 해줍니다.

결과: 명확한 신호

140 단위의 충돌 데이터를 이 새로운 시스템에 통과시킨 결과, 결과는 명확했습니다.

1. 신호를 발견했습니다: 그들은 힉스 보존 예측과 일치하는 사건의 과잉을 관찰했습니다.
2. 통계적 신뢰도: 이것이 단순히 배경 소음의 무작위적인 우연일 확률은 극도로 낮습니다. 이 결과의 유의성은 4.6 표준 편차입니다.
   • 비유: 만약 동전을 던졌는데 우연히 발생할 수 있는 확률보다 4.6번 연속으로 앞면이 더 자주 나왔다면, 여러분은 그 동전이 조작되었다고 확신할 것입니다. 여기서 "동전"은 데이터이며, 이는 힉스 보존이 그곳에 있다는 것을 강력하게 시사합니다.
3. 이론과의 비교: 그들이 발견한 힉스 보존의 수는 오차 범위 내에서 표준 모형(Standard Model)이 예측한 것과 일치합니다. 이는 마치 AI가 날씨를 예측했고, 실제 날씨가 예보와 완벽하게 일치한 것과 같습니다.

핵심 요약

이 논문은 새로운 강력한 AI 기술을 사용하여 기존 데이터를 재분석한 결과입니다. 입자 충돌의 혼돈을 분류하기 위해 "트랜스포머" 신경망을 사용함으로써, ATLAS 팀은 감도를 3배 높이고 소음을 줄였으며, 힉스 보존이 톱 쿼크 쌍과 함께 생성된다는 사실을 높은 신뢰도로 확인했습니다. 이는 현재 이 특정 과정에 대해 이루어진 가장 정밀한 측정입니다.

기술 요약

기술 요약: $t\bar{t}H$ 생성 측정에서의 트랜스포머 신경망

문제 및 배경
톱 쿼크와 힉스 보존 사이의 유카와 결합을 직접 측정하는 것은 전약 상호작용 대칭성 깨짐과 ��로스 진공 퍼텐셜의 안정성을 이해하는 데 매우 중요하다. 간접적인 측정은 양자 루프를 통해 존재하지만, 직접적인 관측은 톱 쿼크 쌍과 힉스 보존이 함께 생성되는 과정($t\bar{t}H$)을 필요로 한다. ATLAS 협력은 이전에 전체 Run 2 데이터셋(140 fb$^{-1}$ at $\sqrt{s}=13$ TeV)을 사용하여 $H \to b\bar{b}$ 붕괴 채널에서 이 과정을 측정한 바 있다. 그러나 이 채널은 특히 무거운 맛깔(heavy-flavour) 제트를 포함하는 $t\bar{t} + \text{제트}$ 생성 과정으로부터 오는 거대한 비가감적 배경(irreducible background) 문제에 직면해 있다. 이전의 분석들은 신호 수용도(signal acceptance)와 배경 모델링에 어려움을 겪었으며, 이에 따라 더 높은 정밀도를 달달하기 위한 개선된 전략을 통한 재분석이 필요했다.

방법론
본 논문은 트랜스포머 신경망에 의해 구동되는 정교한 다변량 분석(MVA) 전략을 활용하여 $t\bar{t}H(b\bar{b})$ 과정을 재분석한 결과를 제시한다. 핵심적인 방법론적 혁신은 다음과 같다:

• 트랜스포머 아키텍처: 본 분석은 자연어 처리에서 개발된 트랜스포머 네트워크를 이벤트 분류와 힉스 보한 재구성을 위해 사용한다. 이러한 네트워크는 입력 객체의 순열에 대한 불변성(invariance)과 가변적인 카디널리티(variable cardinality)를 처리할 수 있는 능력을 갖추고 있는데, 이는 최종 상태 입자의 수가 변하고 고정된 순서가 존재하지 않는 입자 충돌 이벤트에 필수적이다.
• 입력 변수: 네트워크는 모든 제트, 레프톤, 그리고 결핍된 횡방향 에너지(missing transverse energy)로부터 얻은 저수준 4-벡터(low-level four-vector) 및 $b$-태깅 정보를 활용한다.
• 이벤트 분류 및 영역 정의: 엄격한 운동학적 컷(kinematic cuts)에 의존했던 이전 분석들과 달리, 이 전략은 신경망 출력을 사용하여 영역을 정의한다. 배경($t\bar{t} + \text{jets}$)은 톱 붕괴에서 기원하지 않는 제트의 맛깔에 따라 다섯 가지 범주로 나뉜다: $t\bar{t} + \text{light}$, $t\bar{t} + \geq 1c$, $t\bar{t} + \geq 2b$, $t\bar{t} + 1B$ (콜리메이트된 $b$-하드론을 포함하는 제트), 그리고 $t\bar{t} + 1b$.
  • 판별자(Discriminants): 다중 클래스 분류 확률은 $t\bar{t}H$ 신호를 다섯 가지 배경 범주로부터 분리하기 위해 여섯 개의 클래스 판별자로 변환된다. 이벤트는 이 판별자들에 기초하여 신호 영역(SR) 또는 제어 영역(CR)에 할당된다.
  • 전선택 완화(Preselection Loosening): 분류의 견고함 덕분에 운동학적 전선택을 완화할 수 있었으며, 이를 통해 첫 번째 전체 Run 2 분석에 비해 신호 수용도를 3배 증가시켰다. 선택은 단일 레프톤($\geq 5$ 제트) 및 이중 레프톤($\geq 3$ 제트) 채널에서 $\geq 3$ $b$-태그를 요구하며, 두 $b$-쿼크가 하나의 제트에 포함되는 고-횡방향 운동량($p_T$) 힉스 보존을 위한 전용 "부스트된(boosted)" 채널을 포함한다.
• 힉스 재구성: 별도의 재구성 네트워크는 힉스 붕괴에서 기원하는 두 개의 제트를 식별하기 위해 페어링 레이어(SPANet과 유사)를 사용한다. 이를 통해 ��ks 횡방향 운동량($p_T^H$)을 재구성할 수 있으며, 이는 부스트된 채널에서의 피팅 변수 및 미분 측정에 사용된다.
• 통계 분석: 모든 영역에 대해 동시 빈(binned) 프로파일 가능도 피팅(profile likelihood fit)이 수행된다. 이 피팅을 통해 포함적 $t\bar{t}H$ 단면적과 참값 $p_T^H$에 의해 정의된 6개의 단순화된 템플릿 단면적(STXS) 빈에 대한 미분 단면적을 추출한다.

주요 기여
본 연구의 주요 기여는 트랜스포머 신경망을 성공적으로 구현하여 지배적인 $t\bar{t} + \text{jets}$ 배경(다섯 개의 서로소인 범주로 분할됨)을 동시에 제약하고 $t\bar{t}H$ 신호를 측정하는 것이다. 이 접근 방식은 다음과 같은 점에서 이전의 ATLAS 측정을 대체한다:

1. 고정된 운동학적 컷 대신 다변량 판별자를 영역 정의에 사용하는 개편된 분석 전략을 구현하였다.
2. 전선택을 완화함으로써 신호 수용도를 3배 증가시켰다.
3. 신경망으로부터 재구성된 $p_T^H$를 활용하여 $p_T^H$ 빈에 대한 단면적의 미분 측정을 제공하였다.

결과
분석 결과, 배경-전용 가설(background-only hypothesis) 대비 4.6 표준 편차의 관측된 이벤트 과잉이 나타났으며, 이는 기대된 유의도인 5.4 표준 편차와 비교된다.

• 포함적 단면적: 측정된 포함적 단면적은 $\sigma_{t\bar{t}H}^{\text{obs}} = 411^{+101}_{-92} \text{ fb}$ (통계적 및 계통적 불확실성 결합)이다. 이는 $m_H = 125.09$ GeV에서 표준 모형(SM) 예측치인 $\sigma_{t\bar{t}H}^{\text{SM}} = 507^{+35}_{-50} \text{ fb}$와 일치한다.
• 미분 단면적: 6개의 STXS 빈에 걸친 미분 단면적 결과는 SM 예측과 호환성을 보이며, $p$-값은 89%이다. 빈 사이의 상관 계수는 30%를 초 exceed하지 않는다.
• 불확실성: $t\bar{t} + \geq 1b$ 배경 모델링이 지배적이었던 이전 분석들과 달리, 이 측정의 주요 계통 불확실성 원인은 $t\bar{t}H$ 신호 자체의 모델링이다.

의의
본 논문은 이 측정이 현재까지 가장 정밀한 단일 채널 $t\bar{t}H$ 단면적 측정임을 주장한다. 트랜스포머 신경망을 활용함으로써, 본 분석은 고급 머신러닝 기법이 복잡한 신호 및 배경 과정 사이의 구별 능력을 어떻게 크게 향상시킬 수 있는지 입증한다. 이 연구는 이러한 네트워크를 동시 배경 제약 및 신호 추출에 사용하는 것을 검증하며, $H \to b\bar{b}$ 채널에서 정밀 측정의 새로운 기준을 세운다.