Vision Transformers for End-to-End Quark-Gluon Jet Classification from Calorimeter Images

거대한 대형 강입자 충돌기(LHC)의 깊은 내부에서, 입자들은 빛의 속도에 가깝게 서로 충돌하며, 물리학자들이 우주의 근본 법칙을 이해하기 위해 분류해야 하는 혼란스러운 파편의 분출물을 만들어냅니다. 양성자가 충돌할 때, 이들은 종종 쿼크(quark)와 글루온(gluon)에서 기원한 두 가지 뚜렷한 유형의 입자 분출물, 즉 '제트(jet)'를 생성합니다. 두 종류 모두 검출기에는 무질서한 에너지 원뿔처럼 보이지만, 근본적으로는 다릅니다. 쿼크는 양성자와 중성자의 구성 요소인 반면, 글루온은 이들을 결합하는 '풀' 역할을 합니다. 글루온은 강력한 '색 전하(color charge)'라는 성질을 지니고 있는데, 이는 강한 핵력의 특성으로, 이로 인해 쿼크에서 발생하는 더 조밀하고 깨끗한 분출물에 비해 더 넓고 복잡한 입자 분출물을 만들며 부서지게 됩니다. 이 둘을 구별하는 것은 과학자들에게 매우 중요합니다. 만약 이들을 구별하지 못한다면, 배경 소음 속에 숨겨져 있는 새롭고 알려지지 않은 물리학의 미묘한 신호를 놓칠 수도 있고, 혹은 흔한 사건을 특별한 사건으로 오해할 수도 있습니다. 수십 년 동안 물리학자들은 이 제트들을 분리하기 위해 복잡한 수학적 규칙에 의존해 왔지만, 패턴이 너무나 정교하고 데이터가 방대하여 인간이 설계한 규칙들이 한계에 부딪히는 경우가 많았습니다.

이제 한 연구팀은 이 문제를 해결하기 위해 인간의 뇌를 모델로 한 다른 종류의 지능에 눈을 돌렸습니다. 쿼크와 글루온의 차이를 설명하는 방정식을 쓰려고 노력하는 대신, 그들은 컴퓨터가 입자 충돌의 가공되지 않은 이미지를 보고 스스로 그 차이를 학습하도록 가르쳤습니다. 그들은 입자가 검출기 층을 통과할 때 남기는 에너지 퇴적물을 기록하는 CERN의 CMS 실험 데이터를 사용했습니다. 이러한 퇴적물은 디지털 이미지로 변환되며, 여기서 밝은 지점은 더 많은 에너지를 나타냅니다. 연구진은 '비전 트랜스포머(Vision Transformer)'라고 불리는 새로운 유형의 인공지능을 테스트했습니다. 작은 국소 영역을 하나씩 스캔하는 기존의 컴퓨터 비전 도구와 달리, 비전 트랜스포머는 이미지 전체를 한 번에 봅니다. 이 모델은 이미지의 한쪽 구석에 있는 밝은 점이 반대편의 희미한 점과 어떻게 연관되는지를 즉각적으로 파악할 수 있으며, 단 한 번의 시선으로 제트의 전체적인 모양과 구조를 포착할 수 있습니다.

연구 과정에서는 수백만 개의 시뮬레이션된 제트 이미지를 컴퓨터에 입력했는데, 절반은 쿼크 제트를, 나머지 절반은 글루온 제트를 보여주었습니다. 이미지는 세 가지 다른 유형의 검출기 데이터, 즉 전하를 띤 입자가 남긴 궤적, 전자기 칼로리미터에서 측정된 에너지, 그리고 강입자 칼로리미터에서 측정된 에너지를 바탕으로 구축되었습니다. 연구진은 이들을 하나의 다층적인 그림으로 결합함으로써 AI에게 사건에 대한 완전한 시야를 제공했습니다. 그런 다음 이 새로운 비전 트랜스포머를 국소 영역을 스캔하는 방식에 의존하는 기존의 전통적인 도구들과 비교했습니다. 결과는 명확하고 일관적이었습니다. 특히 다른 고급 아키텍처와 결합되었을 때, 비전 트랜스포머는 두 유형의 제트를 구별하는 데 훨씬 더 뛰어난 성능을 보였습니다. 이들은 더 높은 정확도를 달구었으며, 과학적 발견에 있어 매우 중요한 균형인 '오류 없는 식별 능력'에서도 더 나은 모습을 보였습니다.

연구진은 전체 그림을 한 번에 보는 능력이 새로운 모델들에 뚜렷한 이점을 준다는 것을 발견했습니다. 쿼크와 글루온 제트는 미묘하고 장거리적인 패턴에서 차이를 보이는데, 에너지가 검출기 전체에 퍼지는 방식은 종종 단일 픽셀의 강도보다 더 많은 정보를 제공합니다. 작은 국소적 세부 사항에 집중하는 기존 도구들은 이러한 먼 거리의 점들을 연결하는 데 어려움을 겪었습니다. 그러나 비전 트스포머는 이러한 전역적 맥락을 활용하여, 복잡하게 뻗어 나가는 글루온 제트의 구조를 보다 조밀한 쿼크 제트와 성공적으로 대조하며 매핑해 냈습니다. 또한 연구는 이 새로운 모델들을 기존 모델들과 혼합하는 다양한 방법을 탐구하여, 두 세계의 장점을 결합한 하이브리드 시스템을 만들어냈습니다. 이러한 하이브리드 모델은 더욱 뛰어난 성능을 보였으며, 이는 입자 물리학 분석의 미래가 전통적 방식의 국소적 정밀함과 현대적 트랜스포머의 광범위한 맥락적 이해를 결합하는 데 있을 수 있음을 시사합니다.

이러한 결과가 유망하기는 하지만, 연구진은 자신들의 작업이 검출기가 어떻게 작동해야 하는지에 대한 매우 정확한 컴퓨터 모델인 시뮬레이션 데이터를 사용하여 수행되었다는 점을 주의 깊게 언급했습니다. 다음 단계는 이 모델들을 실제 충돌기의 실제 데이터에 적용하여, 실제 실험의 무질서하고 예측 불가능한 조건에서도 잘 작동하는지 테스트하는 것입니다. 또한, 이 강력한 모델들은 실행하는 데 상당한 컴퓨팅 파워를 요구하며, 이는 향가 실시간 분석에 걸림돌이 될 수 있습니다. 이러한 한계에도 불구하고, 이 연구는 머신러닝이 입자 물리학에 어떻게 적용될 수 있는지에 대한 새로운 기준을 세웠습니다. 이는 컴퓨터가 사건을 부분들이 아닌 하나의 전체로서 보게 함으로써, 과학자들이 그동안 눈앞에 숨겨져 있던 새로운 물리학을 밝혀내고 미립자 세계에 대한 더 깊은 이해를 얻을 수 있음을 보여줍니다.