Machine learning techniques for jet reconstruction at LHCb and application to the search for $H \to b \bar{b}$ and $H \to c \bar{c}$ in $\sqrt{s}=13$ TeV $pp$ collisions

이 논문은 LHCb에서 제트 에너지 보정 및 플레이버 태깅을 위한 머신러닝 기법을 제시하며, 이는 13 TeV pp 충돌에서의 포함적 $H \to b\bar{b}$ 및 $H \to c\bar{c}$ 붕괴 탐색에 적용되어, 각각 표준 모델 교차 단면의 6.6배와 1003배라는 관측된 95% 신뢰 수준 상한값을 도출하였다.

핵심

LHCb 실험의 이 논문은 그들이 어떻게 인공지능(기계 학습)을 사용하여 이 파편들을 분류하는 능력을 획기적으로 개선하여, 특히 힉스 보존(유명한 입자)이 두 가지 특정 유형의 '쿼크'(바텀 및 참)로 분해되는 현상을 관찰했는지 설명합니다.

다음은 이들이 수행한 작업을 쉬운 비유를 사용하여 정리한 내용입니다.

1. 문제: 소음이 가득한 군중

힉스 보존이 두 개의 쿼크로 붕괴할 때, 그 쿼크들은 날아가서 '제트(jets)'(입자의 분사)를 형성합니다. 문제는 힉스 신호가 매우 희미하며, 엄청난 양의 배경 소음(일반적인 입자 충돌) 속에 파묻혀 있다는 점입니다.

��긍스를 찾기 위해 물리학자들은 다음 두 가지를 완벽하게 수행해야 합니다:

1. 무게 측정: 원래 입자의 질량을 계산하기 위해 제트가 가진 에너지가 정확히 얼마인지 알아내야 합니다.
2. 맛(Flavor) 식별: 제트가 '바텀(bottom)' 쿼크에서 온 것인지, '참(charm)' 쿼크에서 온 것인지, 아니면 그냥 일반적인 '가벼운(light)' 쿼크에서 온 것인지 알아내야 합니다.

2. 해결책: 두 가지 새로운 AI 도구

연구팀은 탐색을 개선하기 위해 두 가지 새로운 기계 학습 기술을 개발했습니다.

도구 A: "스마트 저울" (제트 에너지 보정)

기존 방식: 저울이 약간 부정확한 상태에서 여행 가방의 무게를 재는 상황을 상상해 보세요. 단순한 공식으로 보정값을 추측했지만, 완벽하지 않았고 가방 무게의 측정값은 여전히 다소 흐릿했습니다.
새로운 방식: 연구팀은 회귀 모델(Regression Model)(기계 학습의 일종)을 구축했습니다. 단순한 공식 대신, 이 AI는 제트의 '모양', 제트 안에 얼마나 많은 입자가 있는지, 그리고 그것들이 어떻게 배치되어 있는지를 살펴봅니다. 이것은 수백만 개의 사례로부터 학습하여 제트의 실제 무게를 훨씬 더 정밀하게 예측하는 초스마트 저울 역할을 합니다.
결과: 측정치의 '흐릿함'이 더 선명해졌습니다. 이제 힉스 신호를 배경 소음으로부터 훨씬 더 명확하게 구분할 수 있게 되었습니다.

도구 B: "전문 탐정" (제트 맛 식별)

기존 방식: 제트가 바텀 제트인지 참 제트인지 식별하기 위해, 기존 방식은 특정 단서인 '이차 정점(secondary vertex)'(입자가 붕괴된 아주 작은 지점)을 찾았습니다. 이는 마치 탐정이 단 하나의 지문만을 찾는 것과 같았습니다. 만약 지문이 희미하거나 없다면, 탐정은 결론을 내릴 수 없었습니다.
새로운 방식: 연구팀은 **심층 신경망(DNN)**을 구축했습니다. 이것은 단 하나의 지문만을 보는 것이 아니라, 모든 것을 살피는 전문 탐정을 고용하는 것과 같습니다. 이 AI는 모든 입자의 궤적, 에너지 침적, 붕괴 지점, 그리고 제트의 전체적인 모양을 모두 살펴봅니다. 이 AI는 수천 개의 작은 단서들을 결합하여 결정을 내립니다.
결과: 이 "슈퍼 탐정"은 바텀 제트, 참 제트, 그리고 일반적인 가벼운 제트 사이의 차이점을 훨씬 더 잘 포착합니다. 실제 신호는 더 많이 잡아내고, 가짜 신호는 더 많이 무시합니다.

ло 3. 거대한 사냥: 힉스 보존 탐색

이 두 가지 새로운 도구를 사용하여, 연구팀은 다음과 같이 붕괴하는 힉스 보존을 찾아 나섰습니다:

• 바텀 쿼크 ($H \to b\bar{b}$)
• 참 쿼크 ($H \to c\bar{c}$)

그들은 2016년 데이터(1.6 fb$^{-1}$의 충돌 데이터)를 분석했습니다. 그들은 힉스가 어떻게 만들어졌는지 가정하지 않고, 단순히 데이터 속 어디에서든 붕괴 생성물을 찾았습니다.

도전 과제: 배경 소음(일반적인 입자 충돌)이 매우 큽니다. 이를 처리하기 위해, 그들은 영리한 트릭을 사용했습니다: 힉스가 존재하지 않는다는 것을 알고 있는 '제어 영역(Control Region)'(안전 구역)을 정의하여 배경 소음이 어떤 모습인지 학습한 다음, 그 지식을 '신호 영역(Signal Region)'(힉스가 존재할 수 있는 곳)의 소음을 예측하는 데 사용했습니다.

4. 결과: 무엇을 발견했는가?

수치를 실행한 결과, 그들은 이 특정 데이터셋에서 이와 같은 방식으로 붕괴하는 힉스 보순의 증거를 발견하지 못했습니다. 데이터는 마치 힉스가 그곳에 없거나(또는 이 정도의 데이터 양으로는 보기에는 너무 희귀하여) 보이지 않을 때 예상되는 모습과 정확히 일치했습니다.

하지만, 이 현상이 얼마나 자주 일어날 수 있는지에 대한 **한계치(limits)**를 설정했습니다:

• 바텀 쿼크의 경우: 만약 힉스가 바텀 쿼크로 붕괴한다면, 표준 모형이 예측하는 것보다 최소 6.6배 적게 일어난다는 것을 발견했습니다. (이는 매우 좋은 결과이며, 예상되는 한계치에 근접합니다.)
• 참 쿼크의 경우: 만약 힉스가 참 쿼크로 붕괴한다면, 예측보다 최소 1,003배 적게 일어난다는 것을 발견했습니다. (이 한계치는 훨씬 더 약하며, 이는 참 제트의 배경 소음이 훨씬 크고 참 제트를 포착하기가 더 어렵다는 것을 의미합니다.)

5. 향-후 계획

논문은 이 특정 데이터셋에서 힉스를 발견하지는 못했지만, 새로운 AI 도구들은 큰 성공이라고 결론짓습니다. 그들은 기계 학습이 제트를 측정하는 방식을 어떻게 유의미하게 개선할 수 있는지 증명했습니다.

그들은 미래의 실험(LHC의 Run 4 및 Run 5)에서 더 많은 데이터가 확보되면, 이 도구들이 마침내 바텀 쿼크로 붕괴하는 힉스를 관측하고 참 쿼크로의 붕괴를 관측하는 데 훨씬 더 가까워질 만큼 강력해질 것이라고 예측합니다.

요약하자면: 그들은 입자의 안개를 꿰뚫어 보기 위해 더 나은 AI 안경을 만들었습니다. 이 특정 모래 더미에서는 보물(힉스 신호)을 찾지 못했지만, 그들은 새로운 안경이 매우 잘 작동한다는 것을 증명했으며, 더 큰 모래 더미가 있다면 미래에 반드시 보물을 찾을 수 있을 것이라고 확신합니다.

기술 요약

기술 요약: LHCb에서의 제트 재구성(Jet Reconstruction)을 위한 머신러닝 기법 및 $H \to b\bar{b}$와 $H \to c\bar{c}$ 탐색에의 적용

문제 정의
주로 전방 의사속도(pseudorapidity) 영역($2 < \eta < 5$)에서 중질량 플레이버 물리학을 위해 설계된 LHCb 실험은, 특히 중질량 쿼크($b$ 및 $c$)에서 기원하는 제트를 재구성하고 식별하는 데 있어 상당한 어려움에 직면해 있다. 표준 재구성 방법은 준-퇴행적(semileptonic) 붕괴에서 검출되지 않은 뉴트리노로 인해 에너지 분해능이 저하되고, 중질량 플레이버 제트와 경질량 플레이버 제트($u, d, s$ 쿼크 또는 글루온에 의해 생성된 제트)를 구별하는 효율이 제한되는 문제를 겪고 있다. 이러한 한계는 다제트(dijet) 최종 상태에서의 정밀한 다제트 불변 질량 분해능과 높은 순도의 플레이버 태깅이 필수적인 포괄적 힉스 보존 탐색($H \to b\bar{b}$ 및 $H \to c\bar{c}$)의 정밀도를 저해한다.

방법론
본 논문은 이러한 재구성 및 식별 과제를 해결하기 위해 도입된 두 가지 새로운 머신러닝 기법을 소개하며, 이를 2016년에 수집된 $\sqrt{s} = 13$ TeV의 $pp$충돌 데이터셋($1.6 \text{ fb}^{-1}$ 통합 휘도)에 적용하였다.

1. 회귀 기반 제트 에너지 보정 (JEC):

   • 접근 방식: 표준 곱셈 보정 계수를 대체하기 위해 그래디언트 부스팅 회귀 모델(GBR)이 채택되었다.
   • 입력 변수: 모델은 제트 운동학($p_T, \eta, \phi$), 구성 성분(구성 입자 수, 전하 입자 비율), 제트 하부 구조(동심원 형태의 에너지 분포 $\Delta R$), 뮤온 정보, 이벤트 수준 변수(일차 정점 수)를 포함한 421개의 포괄적인 특징(features)을 활용한다.
   • 훈련: 회귀 모델은 진실 레벨(truth-level)의 제트 에너지를 예측하도록 시뮬레이션된 $H \to b\bar{b}$ 신호 샘플과 다제트 배경 샘플에 대해 훈련된다. 리딩(leading) 제트와 서브리딩(subleading) 제트에 대해 별도의 모델이 훈련된다.
   • 목표: 재구성된 다제트 불변 질량과 진실 레벨 불변 질량 사이의 차이($m_{reco} - m_{truth}$)를 최소화하여 질량 분해능을 개선하는 것이다.

2. 제트 플레이버 태깅을 위한 심층 신경망 (DNN):

   • 접근 방식: CMS의 DeepJet 알고리즘에서 영감을 받은 심층 신경망이 $b$-제트, $c$-제트, 그리고 경량 제트를 구별하기 위해 개발되었다.
   • 구조: 네트워크는 네 가지 범주의 입력을 처리한다: 전하 입자, 중성 입자, 이차 정점(secondary vertices), 그리고 전역 제트 특성. 입자 특징을 위한 1D 합성곱 계층(convolutional layers)과 전하/중성 입자의 순차적 처리를 위한 LSTM(Long Short-Term Memory) 계층, 그리고 최종 분류를 위한 밀집 계층(dense layers)을 사용한다.
   • 입력 변수: 제트당 최대 20개의 전하 입자(충격 매개변수 순)와 10개의 중성 입자(에너지 순)가 이차 정점 운동학 및 전역 제트 변수와 함께 포함된다.
   • 출력: 네트워크는 제트가 $b, c,$ 또는 경량 쿼크로부터 기원할 확률을 나타내는 세 가지 확률($P_b, P_c, P_q$)을 출력한다.

3. 탐색 전략 및 배경 추정:

   • 신호 및 제어 영역: 신호 영역(SR)은 엄격한 DNN 확률 임계값과 이차 정점 태깅 요구 사항에 의해 정의된다. 혼합 플레이버 제트 쌍으로 구성된 제어 영역(CR)은 데이터 기반 방식으로 지배적인 다제트 QCD 배경을 모델링하는 데 사용된다.
   • 배경 모델링: 베른슈타인 다항식(Bernstein polynomial)으로 매개변수화된 전달 함수(transfer function, TF)를 사용하여 CR에서 SR로 다제트 질량 형태를 외삽한다.
   • 통계 분석: 다제트 불변 질량 스펙트럼($45 < M_{jj} < 250 \text{ GeV}/c^2$)에 대해 빈 기반 최대 가능도 적합(binned maximum-likelihood fit)을 수행한다. 제트 에너지 규모, 태깅 효율, 배경 모델링과 같은 계통 오차는 섭동 매개변수(nuisance parameters)를 통해 포함된다. 상한선(upper limits)은 $CL_s$ 방법을 사용하여 설정된다.

주요 기여

• 알고리즘 개발: 본 논문은 LHCb에서 GBR 기반 제트 에너지 보정과 플레이버 태깅을 위한 풀-하부구조(full-substructure) DNN을 적용한 첫 사례를 제시한다.
• 성능 향상:
  • GBR 보정은 표준 3차 함수 JEC 방식에 비해 다제트 불변 질량 분해능을 크게 개선한다.
  • DNN 태깅 알고리즘은 표준 이차 정점 태깅(SVT) 알고리즘과 비교했을 때 $b$-제트에 대해 $>9\%$, $c$-제트에 대해 $>20\%$의 상대적 효율 향상을 보이면서도, 약 $1\%$의 경량 제트 오식별률을 유지한다.
• 포괄적 탐색: 벡터 보존 결합 생성($VH$)에 집중했던 이전의 LHCb 분석들과 달리, 본 연구는 생성 메커니즘에 대한 가정 없이 포괄적인 $H \to b\bar{b}$ 및 $H \to c\bar{c}$ 붕괴를 대상으로 하며, 이를 통해 더 넓은 범위의 초표준 모형(BSM) 이론과의 비교를 가능하게 한다.

결과
2016년 데이터셋($1.6 \text{ fb}^{-1}$)을 사용한 결과, 두 채널 모두에서 힉스 보존 붕괴에 의한 유의미한 이벤트 과잉은 관찰되지 않았다. 적합된 신호 수율은 0과 일치하였다.

• $H \to b\bar{b}$ 탐색:

  • 관측된 95% CL 상한선: $6.6 \times \sigma_{SM}$ (211 pb).
  • 기대된 95% CL 상한선: $11.1 \times \sigma_{SM}$.
  • 관측된 한계치는 데이터의 하향 통계적 변동으로 인해 기대치보다 더 엄격하게 나타났다.

• $H \to c\bar{c}$ 탐색:

  • 관측된 95% CL 상한선: $1003 \times \sigma_{SM}$ (1605 pb).
  • 기대된 95% CL 상한선: $1834 \times \sigma_{SM}$.
  • 민감도는 낮은 신호 대 배경 비율, 낮은 참(charm) 태깅 효율, 그리고 높은 배경 오식별률에 의해 제한된다.

• 계통 오차: 두 탐색 모두에서 지배적인 계통 오차는 제트 이차 정점 태깅 효율이다 ($H \to b\bar{b}$의 경우 15%, $H \to c\bar{c}$의 경우 19%).

의의 및 향후 전망
본 논문은 이러한 결과가 현재의 LHCb 데이터셋을 사용한 포괄적 $H \to b\bar{b}$ 및 $H \to c\bar{c}$ 생성에 대한 가장 엄격한 한계를 설정한다고 주장한다. 이 머신러닝 기법들의 배치는 LHCb에서 제트 측정 정밀도를 높일 수 있는 잠재력을 입증한다.

저자들은 향후 데이터 수집(Run 3, Run 4, Run 5)에 대한 외삽을 제공한다. 결론은 다음과 같다:

• 포괄적 $H \to b\bar{b}$ 과정의 관측은 Run 4 종료 시점($50 \text{ fb}^{-1}$)까지 가능할 것으로 예상되며, 투영된 한계치는 $\sim 1.1 \times \sigma_{SM}$에 도달할 것이다.
• Run 5 종료 시점($300 \text{ fb}^{-1}$)까지, 포괄적 $H \to c\bar{c}$ 채널은 참 유카와 결합($y_c$)을 표준 모형 값의 약 6.7배 수준으로 제한할 수 있을 것으로 전망된다. 이 접근 방식은 생성 메커니즘에 대한 가정에 의존하지 않으므로 $VH$ 생성 탐색에 대한 보완적인 제약을 제공한다.