Lorentz-Equivariance without Limitations

고에너지 입자 물리학의 세계에서 과학자들은 초기 우주의 조건을 재현하기 위해 양성자를 빛의 속도에 가깝게 충돌시킵니다. 그 결과 발생하는 파편은 새로운 입자들이 시공간 속에 구름처럼 퍼져 있는 혼돈스러운 분출물이며, 거대한 검출기에 기록됩니다. 이 혼돈을 이해하기 위해 연구자들은 특수 상대성 이론의 법칙에 의존하는데, 이 법칙은 관찰자가 어떻게 움직이든 또는 어디에 위치하든 물리 법칙의 근본적인 규칙은 변하지 않는다는 것을 명시합니다. 로런츠 불변성(Lorentz invariance)이라고 알려진 이 원리는 입자의 행동이 정지해 있는 실험실에서 보든, 고속으로 지나가는 우주선에서 보든 동일하게 보인다는 것을 의미합니다. 그러나 과학자들이 입자 충돌을 분석하기 위해 인공지능을 사용할 때, 표준 컴퓨터 프로그램은 이러한 운동 법칙을 자연스럽게 이해하지 못한다는 어려운 문제에 직면합니다. 이 프로그램들은 종종 데이터를 정적인 사진처럼 취급하여, 입자들이 상호작용하는 방식에 내재된 깊은 기하학적 관계를 놓치곤 합니다. 이러한 한계로 인해 연구자들은 적응하기 어려운 매우 구체적이고 경직된 컴퓨터 모델을 구축하거나, 표준 모델이 시행착오를 통해 규칙을 추측하도록 방대한 양의 컴퓨팅 자원을 사용해야만 합니다.

물리학자와 컴퓨터 과학자들로 구성된 한 팀은 '로런츠 국소 정준화(Lorentz Local Canonicalization)', 즉 LLoCa라고 불리는 새로운 방법을 개발했습니다. 이 방법은 속도를 늦추지 않으면서도 어떤 신경망에도 상대론적 이해를 내장함으로써 이 문제를 해결합니다. 컴퓨터가 운동 법칙을 처음부터 학습하도록 강요하는 대신, 이 방법은 네트워크가 자신이 보는 모든 개별 입자에 대해 자신만의 움직이는 참조 프레임을 생성하도록 가르칩니다. 입자를 각자의 지도를 들고 다니는 여행자로 상상해 보십시오. 네트워크는 각 입자에 대한 이 지도를 예측하며, 이를 통해 컴퓨터는 복잡하고 움직이는 데이터를 물리 법칙을 읽기 쉬운 단순하고 국소적인 언어로 번역할 수 있습니다. 데이터가 이러한 국소 프레임으로 번역되면, 네트워크는 어떤 표준적이고 유연한 구조라도 사용하여 이를 처리할 수 있습니다. 계산이 완료된 후, 네트워크는 결과를 검출기의 전역 뷰(global view)로 다시 번역합니다. 이 접근 방식은 컴퓨터가 우주의 근본적인 대칭성을 존중하면서도 빠르고 다양한 유형의 물리 문제에 적응할 수 있도록 해줍니다.

연구진은 현대 입자 물리학의 핵심적인 세 가지 과제, 즉 입자 상호작용의 강도 예측, 입자 충돌의 현실적인 시뮬레이션 생성, 그리고 파편 속에 숨겨진 특정 유형의 입자 식별에 대해 이 새로운 프레임워크를 테스트했습니다. 첫 번째 테스트에서 그들은 Z 보손과 최대 4개의 글루온이 포함된 특정 산란 사건의 확률을 예측하도록 네트워크에 요청했습니다. 연구진은 표준 신경망에 이 국소 참조 프레임 시스템을 추가함으로써, 예측이 비상대론적 모델보다 훨씬 더 정확해졌으며 훨씬 더 복잡하고 특화된 모델들의 성능과 일치한다는 것을 발견했습니다. 결정적으로, 이 새로운 방법은 이전의 최첨단 모델들보다 4배나 빠르게 실행되면서도 훨씬 적은 계산 노력으로 높은 정확도를 달ach했습니다.

두 번째 응용 분야에서 팀은 이 방법을 사용하여 새로운 입자 충돌 이벤트를 처음부터 생성했습니다. 이는 검출기가 보게 될 모습을 시뮬레이션하는 데 필수적인 작업이지만, 컴퓨터가 복잡하고 다차원적인 가능성의 지형을 학습해야 하기 때문에 매우 까다로운 작업입니다. 연구진은 이 특정 작업의 경우, 네트워크가 모든 방향에 대해 완벽하게 대칭적일 필요는 없다는 것을 발견했습니다. 대신, 빔 라인을 따라 선호되는 방향을 가진 입자 검출기의 특정 기하학적 구조에 맞춰 일부 엄격한 대칭 규칙을 깨뜨릴 수 있을 때 성능이 가장 좋았습니다. 네트워크가 검출기 데이터에 실제로 존재하는 대칭만을 존중하도록 허용함으로써 최선의 결과를 얻었습니다. 이 발견은 컴퓨터 모델이 효과적이기 위해 항상 완벽하게 대칭적이어야 한다는 생각에 도전합니다. 때로는 대칭이 깨지는 지점을 아는 것이 대칭 자체를 아는 것만큼 중요합니다.

마지막으로 가장 광범위한 테스트는 제트 태깅(jet tagging) 과정, 즉 컴퓨터가 무거운 톱 쿼크(top quark)에 의해 발생한 입자 제트와 일반적인 배경 소음에 의한 제트를 구분해야 하는 과정을 포함했습니다. 톱 쿼크는 종종 드물고 흥미로운 사건에서 생성되기 때문에, 이는 새로운 물리학을 찾는 데 매우 중요한 기술입니다. 연구진은 이 방법을 기존의 고성능 네트워크 구조들에 적용하여 이들을 상대론적으로 업그레이드했습니다. 그들은 이 모델들을 훈련시키기 위해 이전의 이 특정 작업에 사용된 그 어떤 데이터셋보다 훨씬 큰 1억 3,500만 개의 시뮬레이션 이벤트가 포함된 거대한 새로운 데이터셋을 구축했습니다. 이 대규모 단계에서 업그레이드된 네트워크는 비상대론적 대응 모델보다 뛰어난 성능을 보였으며, 가장 진보된 특화 모델들과 대등한 성능을 나타냈습니다. 결과는 이 새로운 방법이 작은 데이터셋에서도 잘 작동하지만, 데이터의 양이 많아질 때 그 진정한 힘이 드러나며 네트워크가 더 효율적으로 학습할 수 있도록 물리학 법칙을 활용할 수 있음을 보여주었습니다.

이 연구의 핵심 통찰 중 하나는 네트워크가 데이터의 대칭성을 어떻게 처리하는지에 관한 것입니다. 연구진은 이벤트 생성과 같은 일부 작업의 경우, 네트워크가 검출기의 잔여 대칭(residual symmetry)만을 존중하는 것으로 충분하다는 것을 발견했습니다. 그러나 제트 내의 입자를 식별하는 데 있어서는 하이브리드 접근 방식이 최상의 성능을 보였습니다. 네트워크가 내부 계산에서는 상대론적 대칭의 모든 힘을 사용할 수 있게 하되, 입자 빔의 방향과 같은 특정 참조점을 추가 입력으로 제공한 것입니다. 이를 통해 네트워크는 언제 전체 대칭을 사용하고 언제 특정 검출기 기하학에 의존할지를 스스로 결정할 수 있었습니다. 이러한 유연성은 가장 효과적인 전략임이 입증되었으며, 모델이 모든 데이터에 적용되지 않을 수도 있는 경직된 규칙에 얽매이지 않고도 최고 수준의 정확도를 달성할 수 있게 해주었습니다.

또한 이 연구는 이 새로운 프레임워크가 단 한 가지 유형의 신경망에 국한되지 않음을 입증했습니다. 연구진은 입자를 연결된 노드로 취급하는 그래프 네트워크와 언어 처리에도 자주 사용되는 강력한 모델인 트랜스포머(transformer) 모두에 이 방법을 성공적으로 적용했습니다. 모든 경우에 있어, 이 방법은 기존 네트워크를 상대론적으로 만드는 보편적인 업그레이드 역할을 했으며, 조정 가능한 매개변수의 수를 아주 미세하게 증가시켰을 뿐입니다. 이 업그레이드의 계산 비용은 미미하여, 전체 매개변수의 약 1%만을 추가했을 뿐이며 실행 시간의 증가도 무시할 만한 수준이었습니다. 이는 이 방법이 기존의 소프트웨어 시스템을 처음부터 다시 작성할 필요 없이, 기존 도구들을 개선하기 위해 더 넓은 물리학계에서 쉽게 채택될 수 있음을 시사합니다.

이 연구는 우주의 근본적인 대칭성을 최소한의 오버헤드로 머신러닝 모델에 내장하는 방법을 제공함으로써, 입자 물리학의 발전을 가로막는 주요 장벽을 제거했습니다. 이를 통해 연구자들은 자연의 법칙을 준수하면서도 현재 사용 가능한 가장 강력하고 유연한 신경망 구조를 사용할 수 있게 되었습니다. 더 나은 시뮬레이션을 생성하고, 상호작용 강도를 더 정확하게 예측하며, 희귀 입자를 더 높은 신뢰도로 식별할 수 있는 능력은 미래의 입자 충돌기에서 기대되는 방대한 데이터를 분석하는 데 새로운 문을 열어줍니다. 연구진은 자신의 코드와 데이터셋을 공개하여 다른 이들이 이 도구들을 테스트하고 개선할 수 있도록 초대했으며, 이를 통해 차세대 입자 물리학의 발견이 데이터와 깊은 물리적 이해라는 두 기초 위에 세워질 수 있도록 보장했습니다.