Mitigating Detector Ageing Effects with Graph-Based Multi-Modal Track Reconstruction at Belle II

입자 가속기 내부의 거대하고 고속인 카메라를 상상해 보십시오. 이 카메라는 우주의 가장 작은 구성 요소들을 사진으로 찍도록 설계되었습니다. '검출기(detector)'라고 불리는 이 카메라는 수천 개의 미세한 와이어로 이루어져 있으며, 입자들이 빠르게 지나갈 때 그 보이지 않는 경로를 잡아내는 그물 역할을 합니다. 이 카메라가 완벽하게 작동하려면 깨끗해야 하고, 와이어는 튼튼해야 하며, '필름'(데이터)은 완전해야 합니다. 하지만 문제는 이 기계가 너무 강력해서 카메라를 서서히 마모시키고 있다는 점입니다. 강렬한 방사선과 끊임없는 입자의 충돌는 마치 섬세한 시계에 모래폭풍이 몰아치는 것과 같습니다. 시간이 흐르면서 와이어는 지치고, 일부는 완전히 작동을 멈추며, 사진에는 빠진 부분이나 흐릿한 점들이 생겨나기 시작합니다.

과학자들은 카메라가 손상되었을 때도 입자의 경로를 그려내는 방법을 알아내야 합니다. 전통적으로 그들은 다음과 같은 단계별 레시피를 사용합니다: "먼저, 여기에 점을 찾고, 그다음 저 점과 연결한 뒤, 그것이 직선에 부합하는지 확인하라." 하지만 카메라가 고장 나면 점들이 사라지고 선들이 울퉁불퉁해지기 때문에, 이 오래된 레시피는 실패합니다. 큰 질문은 이것입니다: 전체 카메라를 새로 만들지 않고도, 사진이 엉망일 때 컴퓨터가 더 똑똑하게 점들을 연결하도록 가르칠 수 있을까요? 이것이 바로 우주가 왜 반물질 대신 물질로 만들어졌는지를 이해하려고 노력하는 거대한 물리학 프로젝트인 Belle II 실험이 직면한 과제입니다.

고장 난 카메라와 스마트한 해결사

Belle II 실험의 세계에서 주요 카메라는 가스와 수천 개의 와이어로 채워진 거대한 원통형인 중앙 드리프트 챔버(Central Drift Chamber, CDC)입니다. 기계가 가동됨에 따라 방사선으로 인해 와이어가 "지치게" 되어 입자를 감지하는 능력을 잃게 됩니다. 어떤 와이어는 완전히 작동을 멈춥니다. 이는 과학자들에게 악몽을 선사합니다. 그들이 얻는 데이터에는 구멍이 가득합니다. 달리기 선수의 경로를 숲속에서 추적하려는데, 몇 걸음마다 나무가 사라지고 때로는 숲의 한 구역 전체가 통째로 사라지는 상황을 상상해 보십시오.

"베이스라인 파인더(Baseline Finder)"라고 불리는 기존의 방식은 "만약 두 단계를 연속으로 놓치면, 나는 네가 아예 달리지 않았다고 간주하겠다"라고 말하는 엄격한 선생님과 같습니다. 이 방식은 완벽하고 연속적인 히트(hit)의 선을 찾는 데 의존합니다. 카메라가 손상되면 이 선생님은 손을 들어버리고 숫자를 세는 것을 멈추며, 이는 엄청난 데이터 손실로 이어집니다. 실제로 검출기가 성능이 저하되었을 때, 이 기존 방식은 건강한 검출기에서의 성능과 비교했을 때 효율성이 28% 감소했으며, 찾아낸 궤적의 순도(purity)는 90%(즉, 일부는 가짜라는 의미)에 불과했습니다.

이 이야기의 새로운 영웅이 등장합니다. 바로 저자들이 "BAT 파인더(BAT Finder)"라고 부르는 그래프 신경망(Graph Neural Network, GNN)입니다. BAT 파인더는 엄격한 선생님 대신, 단서의 순서에 상관하지 않는 초스마트 탐정이라고 생각하면 됩니다. 이 탐정은 페이지 위에 흩어진 모든 점(히트)을 한꺼번에 보고 이렇게 묻습니다. "이 점들 중 어떤 것들이 하나의 이야기에 속하는가?" 이 방식은 "객체 응축(object condensation)"이라는 기술을 사용하는데, 이는 마치 자석처럼 하나의 입자에 속하는 모든 점을 하나의 밀집된 클러스터로 끌어당기는 동시에, 노이즈와 가짜 점들은 밀어내는 것과 같습니다. 이 방식은 완벽한 선을 필요로 하지 않습니다. 그저 패턴을 보기만 하면 됩니다.

실험: 최악의 시나리오를 위한 훈련

저자들은 단순히 이 탐정이 작동하기를 바란 것이 아니라, 직접 테스트를 거쳤습니다. 그들은 실제 검출기가 겪고 있는 정확한 손상을 모방하여, 고장 난 카메라의 현실적인 시뮬레이션을 만들었습니다: 와이어의 효율이 35% 감소한 상태($C = 0.35$), 검출기의 특정 구역이 완전히 죽어버린 상태, 그리고 카메라의 서로 다른 부분들 사이에 커다란 틈이 생긴 상태를 재현했습니다.

그들은 세 가지 접근 방식을 테스트했습니다:

1. 기존 방식 (Baseline Finder): 엄격한 선생님.
2. 중간 단계 (CAT Finder): 탐정이 내부 카메라만 보고, 선생님이 외부 층을 체크하는 혼합 방식.
3. 전체 탐정 (BAT Finder): 탐정이 전체 그림을 한꺼번에 보는 방식.

먼저, 그들은 "완벽한" 카메라에서 탐정을 학습시켰습니다. 추가 훈련 없이 고장 난 카메라에서 테스트했을 때, 이 탐정은 기존의 선생님보다 뛰어났지만, 큰 틈새 때문에 혼란을 겪으며 순도가 약 93%까지 떨어졌습니다. 이는 마치 깨끗한 도시에서는 범죄를 잘 해결하지만, 도로가 막혀 있으면 길을 잃는 탐정과 같았습니다.

하지만 여기서 마법 같은 기술이 등장합니다: 그들은 탐정을 재학습시켰습니다. 탐정이 "엉망인" 경로가 무엇인지 배울 수 있도록 고장 난 카메라의 사례들을 입력했습니다. 이는 새로운 컴퓨터를 만들거나 탐정의 뇌를 바꿀 필요 없이, 단지 특정 유형의 손상에 대해 더 많은 연습을 시킨 것뿐입니다.

결과: 위기 극복

결과는 인상적이었습니다. 재학습 후, BAT 파인더는 고장 난 카메라의 챔피언이 되었습니다:

• 효율성: BAT 파인더는 균일하게 변위된 뮤온(특히 100cm까지 변위된 뮤온)의 **64.2%**를 찾아냈습니다. 기존 방식이 이 특정 입자들을 **36.2%**만 찾아냈던 것과 비교해 보십시오. 즉, 새로운 방식은 이 그룹에 대해 거의 두 배 더 많은 궤적을 구해냈습니다.
• 순도: 엉망인 데이터 속에서도, 이 탐정이 찾아낸 궤적의 순도는 **96.1%**였습니다. 기존 방식은 **90.1%**에 그쳤습니다.

이 논문은 탐정이 단순히 손상에서 살아남은 것이 아니라, 적응했다는 것을 보여줍니다. 카메라에 와이어가 빠진 큰 틈이 생겼을 때, 기존 방식은 단계를 잇지 못해 완전히 실패했습니다. 그러나 BAT 파인더는 전체 이벤트를 단계적인 순서가 아닌 하나의 커다란 퍼즐로 바라보기 때문에, 그 틈 사이로 점들을 연결하는 법을 배웠습니다.

이것이 중요한 이유

저자들은 검출기의 손상이 해결 불가능한 새로운 문제가 아니라, 단지 데이터가 사용하는 "언어"가 변한 것뿐이라고 결론짓습니다. 패턴은 달라졌지만, 물리학은 동일합니다. AI를 새로운 손상 패턴에 맞춰 단순히 재학습시키는 것만으로도 실험을 원활하게 계속 운영할 수 있습니다.

이는 매우 중요한데, 왜냐하면 Belle II 기계는 수년간 가동될 것이고, 검출기는 시간이 지남에 따라 점점 더 손상될 것이기 때문입니다. 하드웨어를 수리하거나 와이어가 하나 끊어질 때마다 소프트웨어를 처음부터 다시 쓰는 대신, 과학자들은 그저 AI의 "재학습(retrain)" 버튼을 누르기만 하면 됩니다. 이는 하드웨어가 노후화되더라도 소중한 데이터를 잃지 않도록 보장하는 유연하고 미래 지향적인 솔루션입니다. 이 논문은 적절한 AI가 있다면, 고장 난 카메라라도 여전히 완벽한 사진을 찍을 수 있다는 것을 증명합니다.