Encoding off-shell effects in top pair production in Direct Diffusion networks

기술 요약: Direct Diffusion Network를 이용한 Top Pair 생성에서의 Off-Shell 효과 인코딩

문제 정의
대형 강입자 충돌기(LHC)에서의 탑 쿼크 쌍($t\bar{t}$) 생성에 대한 정밀한 이론적 시뮬레이션은 실험적 측정값과 이론을 대조하는 데 필수적입니다. 그러나 온-쉘(on-shell) 운동학(입자가 고정된 질량을 갖는 것으로 근사하는 방식)으로 시뮬레이션을 제한하면 편향이 발생할 수 있습니다. 전체 오프-쉘(off-shell) 계산은 더 높은 정확도를 제공하지만, 대규모 이벤트 생성에는 계산 비용이 너무 많이 듭니다. 이전 연구에서는 신경망 대리 모델(surrogate)을 사용하여 온-쉘 이벤트를 LO(Leading Order) 수준의 오프-쉘 분포로 매핑하는 방법을 확립했습니다. 본 논문은 실 방사(real radiation)와 추가적인 최종 상태 입자로 인해 위상 공간이 훨씬 더 복잡해지는 NLO(Next-to-Leading Order) QCD 단계로 이 방법론을 확장하는 과제를 다룹니다.

방법론
제안된 접근 방식은 두 단계의 신경망 파이프라인을 사용하여 "온-쉘" 이벤트 샘플(근사적인 오프-쉘 효과 포함)을 "오프-쉘" 이벤트 샘플(전체 오프-쉘 계산 결과)로 변환합니다.

1. 데이터 준비 및 차원 축소:

   • 생성기(Generators): 온-쉘 이벤트를 위해 HVQ 및 ST-WTCH-DR 생성기(각각 이중 공명 및 단일 공명)를 사용하며, 완전한 오프-쉘 이벤트를 위해 BB4L 생성기를 사용합니다.
   • 입자 수 계산: 입력과 타겟 분포의 차원을 동일하게 유지하기 위해, HVQ에 비해 입자가 하나 부족한 ST-WTCH-DR 생성기에 PYTHIA 샤워 근사를 통해 단일 글루온 또는 경질 쿼크를 보충합니다.
   • NLO 방사 처리: NLO에서는 오프-쉘 이벤트가 기존보다 최대 2개의 추가 입자를 포함합니다. 본 연구는 생산(production) 과정에서의 실 방사에만 초점을 맞추고 있으므로, 입력 차원을 온-쉘 데이터와 일치시키기 위해 붕괴(decay) 과정에서 부착된 글루온($j'$)을 제거합니다.
   • 운동학적 보존: 붕괴 방사 제거 후에도 적절한 탑 쿼크 운동학을 보존하기 위해, BB4L에서 제공하는 Born 운동학을 사용하여 각 탑/안티탑 쿼크의 정지 좌표계로 이벤트를 부스트(boost)합니다.
   • 특징 공학(Feature Engineering): 운동량 성분을 $(E, p_x, p_y, p_z)$에서 $(p_T, \phi, \eta, m)$으로 변환합니다. 방위각은 $\phi_{\bar{\nu}} = 0$이 되도록 회전시키며, 운동량 보존 제약 조건을 통해 총 차원을 28에서 18로 줄입니다.

2. 베이지안 직접 확산 네트워크 (Bayesian Direct Diffusion Network, DiDi):

   • 구조: 온-쉘 위상 공간을 오프-쉘 위상 공간으로 매핑하는 베이지안 직접 확산 네트워크(Conditional Flow Matching 네트워크로 구현됨)를 사용합니다. 표준 피드포워드 네트워크와 달리, 가중치(weights)와 편향(biases)은 학습 가능한 평균과 표준 편차를 가진 정규 분포로 표현됩니다.
   • 학습 메커니즘: 네트워크는 무작위로 샘플링된 온-쉘($x_1$) 이벤트와 오프-쉘($x_0$) 이벤트를 연결하는 선형 궤적을 따라 속도장(velocity field) $v_\theta$를 학습합니다. 이는 예측된 속도 벡터와 실제 속도 벡터 $(x_1 - x_0)$ 사이의 평균 제곱 오차를 최소화합니다.
   • 불확정성 정량화: 학습된 가중치 분포로부터 샘플링함으로써, 네트워크는 각 입력에 대해 변환된 이벤트 세트를 생성합니다. 결과로 나타나는 운동학의 분산은 예측 불확실성에 대한 추정치를 제공합니다.
   • 입력 구성: 변환 품질을 높이기 위해, 학습 배치에는 BB4L 샘플 내 비율을 반영하여 이중 공명 $t\bar{t}$ 이벤트와 단일 공명 싱글-탑 이벤트(안티탑과 탑에 대해 각각 약 2.75%)가 혼합되어 포함됩니다.

3. 분류기 기반 재가중치 부여 (Classifier-Based Reweighting):

   • Direct Diffusion으로 생성된 이벤트와 실제 오프-쉘 타겟 이벤트 간의 차이를 구별하도록 보조 분류기 네트워크를 학습시킵니다.
   • 분류기 출력 $C(x)$는 재가중치 계수 $w(x) = C(x) / (1 - C(x))$를 계산하는 데 사용됩니다.
   • 이 단계는 생성된 이벤트의 밀도를 타겟 오프-쉘 분포에 더 잘 맞도록 조정합니다. 저자들은 초기 DiDi 변환 없이는 원시 온-쉘 데이터의 많은 영역이 비어 있기 때문에 이 단계가 효과적이지 않다고 언급합니다.

주요 기여 및 결과

• NLO로의 확장: 본 논문은 Direct Diffusion 접근 방식이 더 높은 차원의 NLO 위상 공간에서도 유효함을 입증하였으며, 이는 이전에 확립된 LO 결과에서 한 단계 진전된 것입니다.
• 정확도: 결합된 방법(DiDi + 재가중치 부여)은 타겟 BB4L 분포와 단 몇 퍼센트의 편차만을 보이는 오프-쉘 이벤트 분포를 생성합니다. 위상 공간의 넓은 영역에서 편차는 1% 미만으로 떨어집니다.
• 관측량: 변환은 재구성된 안티탑 질량($m_{\bar{b}l\bar{\nu}}$) 및 레프톤-b-제트 질량($m_{lb}$)과 같은 주요 관측량의 분포를 성공적으로 재현합니다. 입력 샘플에 싱글-레조넌스 이벤트를 포함하는 것이 LO에서 희소하게 나타날 수 있는 위상 공간 영역을 채우는 데 결정적임을 보여줍니다.
• 베이지안 구현: 베이지안 신경망의 사용을 통해 예측 불확실성을 추정할 수 있으며, 이는 이전 LO 구현에는 없던 기능입니다.

의의 및 한계
본 논문은 이 작업이 완전한 NLO 오프-쉘 시뮬레이션 프레임워크를 향한 "첫 걸음"이라고 주장합니다. 의의는 신경망 대리 모델이 생산 과정에서의 실 방사를 포함한 NLO 운동학의 증가된 복잡성을 처리할 수 있음을 증명했다는 점에 있습니다.

그러나 저자들은 현재의 범위와 한계점에 대해 명확히 밝히고 있습니다:

• 불완전한 NLO: 본 연구는 생산 과정에서의 실 방사만을 다룹니다. 차원을 유지하기 위해 붕괴 과정의 방사($j'$)는 제거되었으며, 향에 기계 학습 기술 없이 이를 다시 부착해야 합니다.
• 향후 과제: 완전한 NLO 오프-쉘 이벤트 생성을 위해서는 붕데 방사를 다시 부착해야 합니다. 또한, 분류기 네트워크는 아직 베이지안화되지 않았으며, 두 네트워크 모두를 포함하는 완전한 불확실성 분석은 향후 발표를 위해 남겨두었습니다.
• 검증: 샤워링된 이벤트(showered events)와의 비교와 같은 상세한 테스트는 차기 논문에서 계획되어 있습니다.

요약하자면, 본 연구는 Direct Diffusion 네트워크가 NLO 단계의 탑 쌍 생성에서 오프-쉘 효과를 효율적으로 인코딩할 수 있음을 보여주는 강력한 개념 증명(proof-of-concept)을 제공하며, 타겟 분포에 대한 높은 충실도를 유지하면서도 전체 오프-쉘 계산에 대한 계산적으로 실행 가능한 대안을 제시합니다.