Higher-order effects in amplitude-assisted polarisation extraction with machine-learning techniques

기술 요약: 머신러닝 기법을 이용한 진폭 보조 편광 추출에서의 고차 효과

문제 정의
콜라이더 데이터로부터 전약(electroweak, EW) 게이지 보존의 편광 분율을 추출하는 것은 전약 대칭성 깨짐(Electroweak Symmetry Breaking, EWSB) 메커니로를 조사하는 데 있어 매우 중요한 과제이다. 최근 LHC 분석(Run-2 및 Run-3)은 선도 차수(Leading Order, LO) 시뮬레이션에 기반한 템플릿 피팅을 사용하여 이러한 분율을 성공적으로 측정해 왔으나, 실험적 정밀도가 높아짐에 따라 고차 이론 예측이 요구되고 있다. 편광 태깅을 위한 기존의 머신러닝(ML) 접근 방식, 예를 들어 문헌 [36]에서 제안된 진폭 보조 방법은 LO 정확도에 국한되어 있었다. ML 모델이 설계된 편광 분율을 추출할 때, NLO QCD 보정 및 파톤 샤워(parton-shower, PS) 효과가 훈련과 성능에 어떤 영향을 미치는지에 대해서는 상당한 공백이 존재한다. 구체적으로, LO 데이터로 훈련된 ML 모델이 NLO+PS 데이터에 적용되었을 때 편광 비율을 정확하게 회귀할 수 있는지, 아니는 QCD 복사로 인해 유도된 운동학적 변화를 설명하기 위해 훈련 자체에 고차 정확도가 필요한지가 불분명했다.

방법론
저자들은 진폭 보조 편광 추출 프레임워크를 NLO QCD 정확도와 파톤 샤워가 결합된(NLO+PS) 수준으로 확장함으로써 이 공백을 해결한다. 방법론은 세 가지 주요 구성 요소로 이루어진다:

1. 이론적 프레임워크 및 가중치 재설정(Reweighting):

   • 본 연구는 $\sqrt{s} = 13$ TeV에서의 디보존 과정 $pp \to ZZ \to e^+e^-\mu^+\mu^-$에 집중한다.
   • 비편광 MC 이벤트로부터 편광된 샘플을 생성하기 위해, 저자들은 비편광 진폭에 대한 이중 종방향(doubly longitudinal) 보존의 제곱 진폭을 나타내는 가중치 비율 $r_{LL} = |\mathcal{M}_{LL}|^2 / |\mathcal{M}|^2$를 정의한다.
   • NLO 단계에서, 이 비율은 Born, 가상(virtual), 그리고 적분된 실복사(integrated real-radiation) 기여를 포함하는 Powheg 방식의 $\bar{B}$ 함수를 사용하여 구축된다. 가중치 재설정은 Powheg-Box-Res 프레임워크와 VV_pol 패키지로 생성된 비편광 NLO+PS 샘플에 이벤트별로 적용된다.
   • 이 가중치 재설정 방식의 타당성은 재가중된 분포를 직접적인 편광 신호 시뮬레이션과 비교하는 "클로저 테스트(closure tests)"를 통해 검증된다.

2. 머신러닝 아키텍처:
   본 논문은 실험적으로 접근 가능한 관측량(최종 상태 레프톤의 운동량)만을 사용하여 비율 $r_{LL}$ (또는 그 대리 변수인 $\tilde{r}_{LL}$)을 예측하는 네 가지 뚜렷한 회귀 접근 방식을 벤치마킹한다:

   • 피드포워드 신경망 (FFNN): Z+j 연구보다 증가된 ZZ 과정의 운동학적 복잡성을 처리하기 위해 폭-깊이 비율을 줄인 10개의 은닉층을 가진 심층 네트워크.
   • 오토인코더형 신경망 (AE): 16개의 입력 특징(레프톤 4-운동량)을 잠재 표현(latent representation)으로 압축한 후 타겟을 재구성하도록 설계된 병목 구조의 네트워크.
   • 물리 정보 신경망 (PN): 로런츠 불변성을 보장하고 학습 가능한 파라미터 수를 줄이기 위해 EdgeConv 레이어와 로런츠 영감을 받은 전처리 레이어를 사용하는 ParticleNet 기반 모델.
   • 랜덤 포레스트 회귀 (RFR): 특정 운동학적 특징(보존의 횡운동량, 라피디티, 정지 좌표계에서의 붕괴 각도)의 부분 집합을 사용하는 트리 기반 앙상블 방법.

3. 훈련 전략:

   • 모델은 LO, LO+Sudakov, 그리고 NLO+PS 정확도로 생성된 데이터셋에서 훈련된다.
   • 그래디언트를 안정화하고 네트워크가 상수 평균값으로 붕괴하는 것을 방지하기 위해 타겟 변수에 로그 변환을 적용한다.
   • 하이퍼파라미터(학습률, 배치 크기)는 Optuna 프레임워크를 사용하여 최적화된다.

주요 기여

• NLO+PS로의 확장: 본 연구는 파톤 샤워와 결합된 NLO QCD 정확도에서의 진폭 보조 편광 추출을 처음으로 구현하였다. 이는 가중치 재설정 기술이 직접적인 편광 시뮬레이션을 높은 충실도로 재현함을 입증한다(적분된 단면적에 대해 약 1% 이내).
• 고차 보정이 ML에 미치는 영향: 본 연구는 훈련 데이터 정확도의 필요성을 체계적으로 평가한다. ML 모델을 LO 데이터로 훈련하고 NLO+PS 데이터로 테스트하면 상당한 성능 저하(단면적에서 2~6% 편차)가 발생하는 반면, 매칭된 NLO+PS 정확도로 훈련 및 테스트하면 밀리 미만(sub-per-mille)의 정밀도를 얻을 수 있음을 발견하였다.
• 아키텍처 벤치마킹: 저자들은 네 가지 서로 다른 ML 아키텍처를 비교한다. 모든 모델이 위상 공간의 대부분 영역에서 잘 작동하지만, **물리 정보 신경망 (PN)**과 **랜덤 포레스트 회귀 (RFR)**가 전체 운동학적 범위, 특히 분포의 꼬리(tail) 부분에서 우수한 견고성을 보임을 확인하였다. PN 모델은 FFNN($\sim$4M) 및 AE($\sim$1.4M)에 비해 현저히 적은 수의 학습 가능한 파라미터($\sim$60k)로 높은 정확도를 달ek성하는 것으로 강조되었다.

결과

• 클로저 테스트: 가중치 재설정 절차는 종방향-종방향($LL$) 및 횡방향-횡방향($TT$) 상태에 대해 각각$-0.9%$와$+0.3%$의 편차로 직접적인 NLO+PS 시뮬레이션을 재현한다. 혼합 상태(mixed states)는 하드 복사에 대한 Sudakov 지수의 불일치로 인해 약 $7\%$의 과소 추정을 보인다.
• 미분 분포:
  • 양전자 붕괴 각도($\cos \theta^*_{e^+}$)에 대해, 모든 모델은 중심 영역에서 참값(truth)과 몇 퍼센트 이내로 일치한다. 꼬리 부분에서는 RFR과 PN 모델이 가장 우수한 성능을 보인다.
  • 양전자 횡운동량($p_{T, e^+}$)에 대해, LO로 훈련된 모델은 NLO+PS 꼬리 부분을 정확하게 설명하지 못한다. NLO+PS로 훈련된 모델은 $\sim 200$ GeV까지 좋은 일치도를 보인다.
  • 정지 좌표계에서의 붕 decays 각도를 포함한 특정 특징 집합을 사용하는 RFR 모델이 전체 $r_{LL}$ 분포 범위에서 가장 일관된 설명을 제공한다.
• 단면적 추출: NLO+PS 정확도로 훈련 및 테스트되었을 때, PN과 RFR 모델은 $Z_L Z_L$ 생성의 의례적(fiducial) 단면적을 참값으로부터 $0.2\%$ 미만의 편차로 예측한다.

의의 및 주장
본 논문은 제안된 프레임워크가 고정밀 이론 예측과 실험적 편광 추출 사이의 간극을 성공적으로 메운다고 주장한다. NLO+PS로 진폭 보조 방법을 일반화함으로써 저자들은 다음을 입증하였다:

1. 고차 보정은 무시할 수 없다: LO 데이터로 ML 모델을 훈련하는 것은 LHC의 정밀 물리학에 불충분하며, QCD 복사로 인한 운동학적 변화를 포착하기 위해 NLO+PS 훈련 데이터가 필수적이다.
2. 효율성 및 견고성: 물리 정보 신경망 (PN)은 성능과 계산 비용 사이의 매력적인 균형을 제공하여, 현상론적 연구를 위한 선호되는 선택지가 된다.
3. 일반적 적용 가능성: 본 연구는 전자적 $ZZ$ 붕괴에 집중하고 있으나, 적절한 이벤트 생성기가 있다면 이 방법론은 다른 디보존 과정 및 강입자 붕괴에도 적용 가능하다.

저자들은 이 결과가 NLO에서의 편광 태깅을 위한 핵심 효과들을 포착하였으며, 개념적 병목 현상 없이 더 높은 섭동 차수로의 확장이 가능함을 결론짓는다. 가중치 재설정 절차의 구현은 VV_pol 패키지를 통해 공개되며, 재현성을 보장하기 위해 모든 ML 예측 또한 공개 저장소에 업로드되었다.