Electron Identification using Machine Learning in the MPD Experiment at NICA

물질의 중심부, 원자들이 그들의 가장 작은 구성 요소들의 수프 속으로 녹아드는 곳에는, 빅뱅 직후의 온 우주를 채웠던 존재의 상태가 자리 잡고 있습니다. 과학자들은 이를 쿼크-글루온 플라즈마라고 부르며, 이는 양성자와 중성자가 그 구성 성분인 쿼크와 글루온으로 녹아내리는 격동적이고 초고온인 유체입니다. 이 원시 상태를 연구하기 위해, 연구자들은 무거운 원자핵을 엄청난 속도로 충돌시켜 실험실에서 이를 재현합니다. 이러한 충돌은 극단적인 온도와 압력을 생성하여, 초기 우주의 물질로 이루어진 작은 방울을 잠시 동안 형성합니다. 그러나 그 방울 내부에서 어떤 일이 일发生했는지 이해하기 위해서, 과학자들은 폭발에서 빠져나오는 특정 입자들을 포착할 수 있어야 합니다. 가장 중요한 전령 중 하나는 전자인데, 전자는 화염 내부의 조건을 보여주는 깨끗한 신호를 전달합니다. 하지만 이 전자들을 찾는 것은 금으로 된 건초더미 속에서 단 하나의 은 바늘을 찾아내는 것과 같습니다. 왜냐하면 충돌 과정에서 매우 유사해 보이는 수십억 개의 다른 입자들이 생성되기 때문입니다.

러시아의 누클로트론 기반 이온 충돌기 시설(Nuclotron-based Ion Collider Facility)에서는, 이러한 충돌을 포착하기 위해 멀티 퍼퍼스 디텍터(Multi-Purpose Detector)라는 거대한 새로운 실험 장치가 구축되고 있습니다. 이 시설은 과학자들이 양성자와 중성자의 밀도가 매우 높은 상태, 즉 중성자 별의 핵과 유사한 조건에서 물질이 어떻게 행동하는지 탐구할 수 있는 에너지로 이온들을 충돌시키도록 설계되었습니다. 이 검출기는 충돌 지점에서 튀어나오는 입자들의 경로와 에너지를 추적하는 센서 층들로 채워진 커다란 배럴 모양의 기계입니다. 이 장치를 다루는 과학자들에게 가장 중요한 과업 중 하나는, 파이온이나 양성자와 같은 압도적인 배경 입자들로부터 희귀한 전자들을 구별해 내는 것입니다. 만약 이 신호들을 깨끗하게 분리해 내지 못한다면, 그들이 밝혀내고자 하는 물리학은 숨겨진 채로 남게 될 것입니다.

이 연구를 진행한 연구진은 구체적인 과제에 집중했습니다. 그것은 바로 너무 많은 전자를 잃지 않으면서도 어떻게 가장 높은 정확도로 전자를 식별할 것인가 하는 점이었습니다. 전통적으로 과학자들은 단순한 1차원 규칙에 기반한 방법을 사용해 왔습니다. 그들은 입자의 속도나 에너지 손실을 살펴보고 선을 그어, 한쪽은 유지하고 나머지는 버리는 방식을 취했습니다. 이러한 접근 방식은 간단하지만 투박합니다. 잘못된 입자를 포함하지 않기 위해 규칙을 매우 엄격하게 설정해야 하며, 이는 필연적으로 올바른 전자들까지도 나쁜 입자들과 함께 버리게 만듭니다. 연구팀은 고정된 규칙을 따르는 대신, 데이터 속에서 복잡한 패턴을 학습할 수 있는 유형의 컴퓨터 프로그램인 머신 러닝을 사용하여 더 나은 결과를 얻을 수 있을지 알고 싶었습니다.

이 아이디어를 테스트하기 위해, 연구팀은 무거운 비스무트 핵 간의 충돌에 대한 검출기의 반응을 담은 정교한 컴퓨터 시뮬레이션을 제작했습니다. 그들은 각 궤적을 전자 또는 배경 입자로 라벨링한 방대한 양의 시뮬레이션 입자 궤적 데이터셋을 생성했습니다. 그런 다음 두 가지 서로 다른 유형의 머신 러닝 알고리즘에게 이 데이터를 분류하도록 학습시켰습니다. 첫 번째는 인간의 뇌를 모델로 하여 단순한 처리 단위들 사이의 연결을 조정하며 학습하는 시스템인 신경망(neural network)이었습니다. 두로 번째는 입자의 정체를 좁히기 위해 일련의 예/아니오 질문을 던지는 방식인 부스팅 결정 트리(boosted decision tree)였습니다. 두 시스템 모두 입자의 운동량, 검출기 가스를 통과할 때 잃은 에너지 양, 그리고 에너지 대비 속도와 같은 다양한 측정값을 입력받았습니다.

연구진은 머신 러닝 접근 방식이 전통적인 방식보다 성능이 현저히 뛰어나다는 것을 발견했습니다. 표준적인 1차원 규칙을 사용할 때, 시스템은 높은 순도(즉, 추출된 전자가 거의 확실히 실제 전자임을 의미함)를 달성할 수는 있었지만, 전체 전자의 약 절반 정도만을 찾아내는 데 그쳤습니다. 그러나 머신 러닝 모델들은 동일한 수준의 높은 순도를 유지하면서도 약 50% 더 많은 전자를 찾아낼 수 있었습니다. 이러한 개선은 모든 속도에서 균일하게 나타나지는 않았습니다. 알고리즘은 입자의 이동 속도에 따라 다르게 학습되어야 했습니다. 연구팀은 서로 다른 운동량 범위에 대해 별도의 모델을 훈련시킴으로써, 전통적인 방식이 실패하기 쉬운 매우 빠른 입자들에 대해서도 시스템이 정확성을 유지하도록 했습니다.

가장 흥러운 발견 중 하나는 두 머신 러닝 모델이 문제에 접근하는 방식이 서로 달랐다는 점입니다. 신경망은 입자의 에너지 대 운동량 비율, 즉 고속에서 전자를 식별하는 데 특히 유용한 측정값에 크게 의존하는 경향을 보였습니다. 반면, 결정 트리는 입자의 속도와 관계없이 가스에서의 에너지 손실 측정값을 자주 사용했습니다. 이러한 차이는 두 알고리즘이 신호와 노이즈를 구별하는 서로 다른 방법을 찾아냈음을 시사하며, 두 모델 모두 기존 방식이 어려움을 겪었던 부분에서 성공을 거두었습니다. 결과적으로 이 도구는 물리 학자들이 충돌에서 빠져나오는 희귀한 전자들을 더 많이 볼 수 있게 해주며, 실질적으로 분석에 사용할 수 있는 데이터의 양을 두 배로 늘려줍니다.

이 작업은 멀티 퍼퍼스 디텍터가 본격적인 운영을 준비하는 과정에서 중요한 진전입니다. 여기서 설명된 머신 러닝 기술은 단순히 이론적인 연습이 아니라, 검출기가 완전히 가동되었을 때 실제 데이터를 분석하는 데 사용될 실질적인 도구입니다. 전자를 식별하는 능력을 향상함으로써, 이 실험은 쿼크-글루온 플라즈마의 특성을 훨씬 더 정밀하게 연구할 수 있게 될 것입니다. 연구진은 비록 이 결과들이 시뮬레이션으로부터 나온 것이지만, 실제 데이터 분석을 위한 강력한 토대를 제공한다고 언급했습니다. 동일한 양의 데이터로부터 더 많은 신호를 추출할 수 있는 능력은, 이 실험이 물질의 본질과 초기 우주에 대한 근본적인 질문들에 대해 이전에는 도달할 수 없었던 명확함으로 답할 수 있게 해줄 것입니다.