Unbinned extraction of $\gamma$ from $B\to DK$ with normalizing flows

본 논문은 $B^\pm \to (D \to K_S \pi^+ \pi^-) K^\pm$ 붕괴에서 CKM 각도 $\gamma$를 추출하기 위해 정규화 흐름을 활용한 비분할 방법을 도입하고 검증하여, 앙상블 훈련을 통해 통계적 불확실성을 전파하면서도 몬테카를로 데이터로부터 $\gamma$ 및 기타 매개변수를 정확하게 복원할 수 있는 능력을 입증한다.

핵심

복잡한 퍼즐을 풀어 숨겨진 숫자, 이를 **$\gamma$ (감마)**라고 부르겠습니다. 이 숫자는 우주의 규칙서에서 핵심적인 부분으로, 특히 우주가 반물질이 아닌 물질로 이루어져 있는 이유와 관련이 있습니다.

물리학자들은 보통 B-메존이라고 불리는 특정 입자가 다른 입자로 붕괴 (분해) 하는 과정을 관측하여 이 숫자를 찾으려 합니다. 이 과정은 마술사의 트릭을 지켜보는 것과 같습니다: B-메존이 분열하면 그 중 하나가 D-메존이 되고, 이 D-메존은 즉시 파이온과 카온의 혼합물로 다시 분열합니다.

구식 방법: 격자를 통해 바라보기

수십 년간 과학자들은 BPGGSZ 방법이라는 방식을 사용하여 이러한 입자 붕괴를 분석해 왔습니다. D-메존이 분해될 때의 가능한 결과들을 격자무늬가 있는 종이 (달리츠 플롯이라고 함) 위에 매핑한다고 상상해 보세요.

전통적인 접근법에서 과학자들은 이 종이 위에 격자를 그려 8 개의 큰 상자로 나눕니다. 그런 다음 각 상자에 입자가 몇 개 떨어지는지 세고, 그 상자에 대한 '평균'을 계산합니다.

• 문제점: 이는 거친 창살을 통해 세부적인 그림을 보며 묘사하려는 것과 같습니다. 전체적인 아이디어는 얻을 수 있지만, 상자 내부의 모든 세밀한 부분과 날카로운 가장자리는 잃어버리게 됩니다. 이러한 '흐림' 효과는 $\gamma$의 정확한 값을 찾아내는 것을 더 어렵게 만듭니다.

새로운 방법: '정규화 흐름 (Normalizing Flow)' 카메라

이 논문은 **정규화 흐름 (Normalizing Flows, NFs)**이라고 불리는 인공지능 (AI) 유형을 사용하여 데이터를 더 선명하게 보는 새로운 방법을 제시합니다.

격자가 아닌 고화질이고 유연한 카메라처럼 작동하는 정규화 흐름을 상상해 보세요. 이 카메라는 입자 데이터의 완벽한 사진을 찍는 법을 학습합니다.

1. 형태 학습: AI 는 D-메존이 어떻게 분해되는지에 대한 수백만 개의 예시를 입력받습니다. 상자를 세는 대신, AI 는 입자들이 어디로 가는지의 정확하고 연속적인 형태를 학습합니다. 고해상도 사진이 모든 붓터치를 포착하듯, AI 는 데이터 속의 모든 미세한 잔물결, 봉우리, 골짜기를 포착합니다.
2. 어려운 부분 (제약 조건): 물리학에는 입자 패턴이 완벽하게 맞춰져야 한다는 수학적 규칙이 있습니다. 마치 세 개의 퍼즐 조각이 원형을 이루어야 하는 것처럼 말입니다. 한 조각의 형태를 추측하면 나머지 조각들은 제자리에 고정됩니다.
   • 도전 과제: 두 개의 별도의 AI 모델을 사용하여 형태를 추측하면, 이 규칙과 우연히 불일치할 수 있습니다 (완전히 맞지 않는 두 개의 퍼즐 조각처럼).
   • 해결책: 저자들은 두 가지 버전의 AI 를 구축했습니다:
     • 버전 A ("H-네트워크"): 이 AI 는 규칙이 뇌에 '하드코딩'되어 있습니다. 실수를 하는 것은 물리적으로 불가능하며, 항상 퍼즐에 완벽하게 맞는 형태를 생성합니다.
     • 버전 B ("3-Flow"): 이 AI 는 세 개의 별도 모델을 사용하여 독립적으로 학습합니다. 때로는 조각들이 맞지 않는 미세한 실수가 발생합니다. 저자들은 거친 퍼즐 조각이 맞을 때까지 부드럽게 연마하듯 오류를 보정하여 이를 해결합니다.

결과: 완벽한 테스트

저자들은 컴퓨터 시뮬레이션 (종단 테스트) 을 사용하여 이 새로운 방법을 테스트했습니다. 알려진 값을 가진 가짜 데이터를 생성하고 AI 에게 그 값을 찾도록 요청했습니다.

• 결과: 두 버전의 AI 모두 숨겨진 숫자 $\gamma$를 높은 정밀도로 성공적으로 찾아냈습니다.
• 승자: 규칙이 하드코딩된 "H-네트워크"가 약간 더 안정적이고 정밀했습니다. 아마도 자신의 실수를 수정하는 데 시간을 낭비하지 않았기 때문일 것입니다.

왜 이것이 중요한가

이 논문은 이 방법이 과학자들이 세부 정보를 상자에 평균화하여 버리는 대신 데이터의 모든 정보를 활용할 수 있게 해준다고 주장합니다.

• 이점: CERN 이나 벨레 II 와 같은 실험에서 더 많은 데이터가 수집됨에 따라, 이 AI 방법은 점점 더 나아지며 측정의 정밀도를 체계적으로 향상시킵니다.
• 주의점: 현재 이는 시뮬레이션 데이터를 사용한 '개념 증명' 단계입니다. 저자들은 실제 데이터에 적용하기 전에 검출기 오류와 같은 현실 세계의 혼란을 고려하고 AI 가 미묘한 편향을 갖지 않도록 해야 한다고 지적합니다. 또한 미래에는 이 AI 의 '베이지안' 버전을 사용하여 수백 번의 시뮬레이션을 실행하지 않고도 결과의 불확실성을 자동으로 계산할 수 있을 것이라고 제안합니다.

요약하자면: 저자들은 우주의 기본 상수를 측정하는 흐릿하고 격자 기반의 방식을, 데이터의 정확한 형태를 학습하는 선명한 AI 기반 방식으로 대체했으며, 시뮬레이션에서 정확한 답을 찾아낼 수 있음을 입증했습니다.

기술 요약

기술 요약: 정규화 흐름을 이용한 $B \to DK$ 의 $\gamma$ unbinned 추출

문제 제기
$D \to K_S \pi^+ \pi^-$로 붕괴하는 $B^\pm \to DK^\pm$ 붕괴로부터 CKM 단위성 삼각형의 각 $\gamma$(또는 $\phi_3$) 를 결정하는 것은 이론적으로 깨끗하지만, 실험적으로는 통계적 정밀도에 의해 제한된다. 현재 최첨단인 모델 독립적 접근법인 BPGGSZ 방법은 $D$ 붕괴의 달리츠 플롯을 구간 (bins) 으로 나눈다. 이는 $D$ 붕괴 진폭에 대한 모델 의존적 가정을 피하지만, 위상 공간의 "거친 입자화 (coarse graining)"를 도입한다. 유한한 구간에서의 강상위상차 평균화는 국소 간섭 효과를 희석시켜 $\gamma$에 대한 감수성을 잃게 만든다. 이전의 unbinned 대안들 (푸리에 전개, 르장드르 다항식, 비모수적 검정) 이 제안되었지만, 종종 달리츠 플롯에 내재된 복잡하고 다중 모드 (multi-modal) 구조를 포착하기 위한 유연성이 부족하거나, 불가피한 모델링 오차를 도입한다.

방법론
저자들은 정규화 흐름 (Normalizing Flows, NFs) 을 활용하여 정사각형 달리츠 플롯 전반에 걸쳐 $D$ 붕괴 진폭과 강상위상 변이를 학습하는 연속적이고 데이터 주도적인 표현을 추출하는 unbinned 방법을 제안한다. 이 방법은 BPGGSZ 방법의 구간 평균 관측량 ($K_i, c_i, s_i$) 을 $D$ 붕괴 데이터에서 직접 학습된 연속 함수 ($K, C, S$) 로 대체한다.

해결된 핵심 기술적 과제는 학습된 함수들을 연결하는 삼각함수적 제약 조건인 $C^2 + S^2 = K \bar{K}$이다. 이 논문은 이를 처리하기 위한 두 가지 다른 아키텍처를 탐구한다:

1. 제약 조건 인지형 아키텍처 ($h$-network):

   • 플레어 태그 (flavor-tagged) NF 가 밀도 $K(m', \theta')$를 학습하도록 훈련된다.
   • 별도의 신경망 $h(m', \theta')$가 CP 태그 데이터에서 $\cos \Delta \delta$를 학습하도록 훈련된다.
   • 네트워크 $h$는 $\tanh$ 활성화 함수를 통해 $[-1, 1]$ 범위로 제한된다.
   • 간섭 관측량은 $C = \sqrt{K\bar{K}}h$ 및 $|S| = \sqrt{K\bar{K}}\sqrt{1-h^2}$로 구성된다. 이 구성은 정의상 모든 점에서 삼각함수적 제약 조건이 만족됨을 보장한다.
   • 공명 (resonance) 근처의 급격한 진동을 포착하기 위해 $h$-network 는 표준 ReLU 기반 MLP 보다 고주파수 특징에 더 적합한 SIREN(Sinusoidal Representation Network) 아키텍처를 활용한다.

2. 지연된 제약 조건 강제 (3-flow):

   • 세 개의 독립적인 NF 가 훈련된다: 하나는 플레어 태그 데이터에서 $K$를 학습하고, 두 개는 CP-Even 및 CP-Odd 태그 데이터에서 밀도 $p_+$와 $p_-$를 학습한다.
   • 관측량 $C$는 CP 밀도로부터 대수적으로 추출된다.
   • 흐름들이 독립적이기 때문에, 통계적 요동으로 인해 $C^2 > K\bar{K}$ (음의 $S^2$ 발생) 인 비물리적 영역이 발생할 수 있다.
   • 제약 조건 $C^2 \leq K\bar{K}$를 강제하기 위해 국소 이웃 평균화를 포함하는 후처리 단계가 적용된다.

추출된 연속 함수들은 $r_B$, $\delta_B$, 그리고 $\gamma$를 결정하기 위해 $B^\pm \to DK^\pm$ 데이터에 unbinned 최대우도 적합 (unbinned maximum-likelihood fit) 에 사용된다.

주요 기여

• Unbinned 밀도 추정: 이 논문은 $\gamma$ 추출에 정규화 흐름을 적용한 첫 사례를 제시하며, 달리츠 플롯의 유연하고 비모수적 표현을 제공한다. 이는 더 큰 $D$ 붕괴 데이터셋이 증가함에 따라 체계적으로 개선된다.
• 제약 조건 처리: 진폭 및 위상 관측량 간의 비선형 삼각함수적 제약을 머신러닝 아키텍처에 통합하기 위한 두 가지 전략을 시연한다. 즉, 아키텍처 설계를 통한 "하드" 제약과 후처리를 통한 "소프트" 제약을 비교한다.
• 고주파수 물리를 위한 SIREN: 이 연구는 표준 신경망이 종종 해결하기 어려운 달리츠 플롯에서 발견되는 급격한 위상 변이를 모델링하기 위한 SIREN 아키텍처의 유용성을 강조한다.
• 편향 및 불확실성 분석: 이 연구는 NF 근사로부터 도입된 통계적 불확실성을 정량화하고 체계적 편향을 탐색하기 위해 시뮬레이션 데이터셋 앙상블을 사용한 엄격한 클로저 테스트 (closure test) 를 제공한다.

결과
이 방법들은 벤치마크 매개변수 ($r_B=0.1, \delta_B=130^\circ, \gamma=70^\circ$) 를 사용하여 몬테카를로 생성 데이터에서 테스트되었다.

• 정확도: NF 는 좁은 공명 구조를 포함하여 입력 아이소바 (isobar) 모델 밀도를 성공적으로 재현한다. 학습된 밀도의 앙상블 평균은 진리 모델과 높은 정확도로 일치한다 (플레어 흐름의 경우 점별 $1\sigma$ 커버리지가 약 95%, CP 흐름의 경우 약 96-97%).
• 매개변수 추출: 두 방법 모두 통계적 불확실성 범위 내에서 주입된 $\gamma$ 값을 성공적으로 복원한다.
• 방법 비교:
  • $h$-network 접근법은 3-flow 방법보다 다양한 데이터셋에서 추출된 매개변수의 분산이 더 작다. 이는 내장된 제약 조건이 3-flow 접근법에서 수치적 수리가 필요한 비물리적 값을 방지하기 때문이다.
  • 3-flow 방법은 특히 공명 피크 근처의 비물리적 $S^2$ 값을 수정하기 위해 이웃 평균화가 필요할 때 불확실성에서 약간 더 큰 변이를 보인다.
• 편향: 통계적으로 유의미한 체계적 편향은 발견되지 않았다. 잠재적 편향에 대한 추정 상한은 작으며 ($\gamma$ 및 $\delta_B$에 대해 약 $1^\circ$, $r_B$에 대해 약 0.002), 시뮬레이션 데이터셋의 통계적 불확실성과 비슷하거나 더 작다.

의의 및 주장
이 논문은 $\gamma$의 unbinned 추출에 대한 **원리 증명 (proof of principle)**으로서 이 작업을 제시한다. 저자들은 다음과 같이 주장한다:

1. NF 기반 접근법은 $D$ 붕괴 샘플 크기가 증가함에 따라 구간 (binned) 방법보다 체계적인 개선을 제공한다. 이는 구간 방법에서 $c_i$ 및 $s_i$ 매개변수의 정밀도가 향상되는 방식과 유사하다.
2. 이 방법은 아이소바 모델과 관련된 불가피한 모델링 오차를 피하면서도 구간 방법보다 더 많은 위상 공간 정보를 유지한다.
3. 제안된 아키텍처는 유의미한 편향을 도입하지 않으므로, 향후 LHCb 및 Belle II 의 실험적 구현을 위한 실현 가능한 후보가 된다.

저자들은 현재 구현이 독립적으로 훈련된 흐름의 앙상블을 통해 통계적 불확실성을 전파하며, 아직 검출기 분해능이나 배경과 같은 체계적 실험 오차를 포착하지는 못한다고 명시적으로 언급한다. 그들은 향후 작업이 학습된 밀도에 대한 직접적인 불확실성 추정을 외부 앙상블 없이 제공하기 위해 **베이지안 정규화 흐름 (Bayesian Normalizing Flows)**을 탐구해야 하며, 실제 데이터 적용을 위해 검출기 효과를 포함하도록 방법을 확장해야 한다고 제안한다. 이 논문은 잠재적 체계적 효과를 식별하고 결과를 교차 검증하기 위해 전통적인 구간 방법과 제안된 unbinned NF 방법을 병행하여 추구할 것을 옹호한다.