Decorrelation of neural networks from particle lifetimes in the LHCb topological $b$ trigger

거대한 고속 카메라가 꽉 찬 경기장에서 불꽃놀이가 터지는 순간을 촬영하려고 한다고 상상해 보십시오. 이 카메라는 너무 빨라서 불꽃이 터지는 그 찰나의 순간을 포착할 수 있지만, 경기장이 너무 붐벼서 동시에 수천 개의 다른 불꽃놀이가 일어나고 있습니다. 이것이 바로 LHC(대형 강입자 충돌기)의 LHCb 실험이 직면한 과제입니다. 과학자들은 이 기계를 사용하여 "뷰티(beauty)" 입자(또는 b-하드론)를 연구합니다. 이들은 무겁고 불안정하여 매우 빠르게 붕괴하거나 부서지는 입자들입니다. 이들을 찾아내기 위해 컴퓨터 시스템은 마치 클럽의 초고속 보안 요원처럼 행동하며, 매초 수백만 번의 충돌을 스캔하여 어떤 충돌이 나중에 다시 살펴볼 만큼 흥미로운지 결정합니다.

문제는 이 뷰티 입자들이 특정한 "성격"을 가지고 있다는 점입니다. 이들은 부서지기 전까지 아주 미세하지만 측정 가능한 거리를 이동하며 독특한 파편 패턴을 만들어냅니다. 컴퓨터는 인공지능의 한 종류인 신경망(neural network)이라는 스마트한 알고리즘을 사용하여 이 패턴을 포착합니다. 하지만 현재의 훨씬 더 분주해진 실험 환경에서는 경기장이 너무 붐벼서 보안 요원이 혼란에 빠질 때가 있습니다. 보안 요원은 실수로 한 불꽃놀이의 파편을 옆에 있는 다른 불꽃놀이의 파편과 섞어버려, 마치 오래 지속되는 뷰티 입자인 것처럼 보이는 가짜 패턴을 만들어낼 수 있습니다. 만약 컴퓨터가 이러한 가짜를 잡아내는 데 너무 능숙해지면, 정작 찾아내야 할 진짜 오래 지속되는 입자들을 무시하기 시작할 수도 있으며, 이는 과학적 연구를 망칠 수 있습니다. 이 논문은 컴퓨터가 실제 불꽃놀이를 놓치지 않으면서도 이러한 실수를 하지 않도록 가르치는 방법을 탐구합니다.

바쁜 보안 요원과 가짜 단서들

LHCb 실험은 "뷰티" 쿼크를 포함하는 무거운 입자를 연구하도록 설계되었습니다. 이 입자들은 특별한데, 붕괴하기 전까지 약 1센티미터 정도를 이동할 만큼 충분히 오래 살기 때문입니다. 이는 독특한 흔적, 즉 입자들이 태어난 지점과 약간 떨어진 두 번째 만남 지점인 "이차 정점(secondary vertex)"을 만들어냅니다. 이러한 사건을 포착하기 위해 LHCb 트리거 시스템은 모노토닉 리프시츠츠 신경망(monotonic Lipschitz neural network, MLNN)이라는 머신러러닝 도구를 사용합니다. 이 신경망을 입자들의 단서(예: 입자가 이동한 거리와 속도)를 살피고 모든 사건에 점수를 부여하는 숙련된 형사라고 생각하십시오. 점수가 충분히 높으면 해당 사건은 저장됩니다.

이 형사는 "모노토닉(단조적)"하도록 훈련되었습니다. 즉, 입자가 더 멀리 이동하거나 운동량이 더 많아지면 점수도 올라가야 한다는 뜻입니다. 이는 실제 뷰티 입자가 배경 소음보다 더 멀리 이동한다는 사실과 일맥상통합니다. 그러나 최근 실험이 훨씬 더 분주해졌습니다. 과거에는 한 순간에 대략 하나의 충돌이 발생했지만(μ = 1.1), 이제는 약 5.3개의 충돌이 동시에 발생하고 있습니다(μ = 5.3). 이는 보안 요원이 같은 방에서 동시에 열리고 있는 다섯 개의 서로 다른 파티를 분류하려고 노력하는 것과 같습니다.

이러한 인파 때문에 형사는 가끔 속기도 합니다. 한 충돌에서 나온 궤적과 다른 충돌에서 나온 궤적을 결합하여, 마치 매우 긴 거리를 이동한 것처럼 보이는 "복합(composite)" 입자를 만들어낼 수 있습니다. 이것이 바로 "수명 상관 배경(lifetime-correlated background)"입니다. 이는 실제 뷰의 뷰티 입자와 똑같이 보이는 가짜 단서입니다. 위험한 점은, 신경망이 이러한 장거리 궤적을 보고 모든 장거리 궤적을 의심하기 시작할 수 있다는 것입니다. 즉, 실제 오래 지속되는 궤적들이 가짜와 비슷해 보인다는 이유만으로 이를 처벌하기 시작할 수 있습니다. 이는 실험이 연구해야 할 바로 그 입자들에 대한 민감도를 떨어뜨리는 편향을 만들 것입니다.

군중을 무시하도록 형사를 가르치기

이를 해결하기 위해 저자들은 신경망을 "탈상관화(decorrelate)"하려고 시도했습니다. 쉽게 말해, 입자의 수명이 길어지더라도 신경망의 점수가 그 수명에 의존하지 않도록 가르치고자 한 것입니다. 그들은 AI의 훈련 과정에서 수명에 너무 민폐를 끼치기 시작하면 "벌칙"을 주는 두 가지 다른 방법을 테스트했습니다.

첫 번째 방법은 DisCo(거리 상관관계)였습니다. 이것은 학생의 성적이 키에 따라 변할 때마다 소리를 지르는 엄격한 선생님과 같습니다. 만약 AI가 수명이 긴 입자에 대해 더 높은 점수를 준다면, 벌칙이 작동하여 "안 돼, 수명이 변했다고 해서 점수가 변해서는 안 돼"라고 알려주는 것입니다.

두 번째 방법은 MoDe(모멘트 분해)였습니다. 이것은 조금 더 유연한 코치에 가깝습니다. 단순히 소리를 지르는 대신, 코치는 학생의 성과를 다양한 형태(수학적 곡선)로 나누고, 있어서는 안 될 부분만을 벌칙 대상으로 삼습니다. 이는 AI가 초반에는 명확한 쓰레기들을 걸러내기 위해 날카로운 "켜짐(turn-on)" 구간을 갖도록 허용하면서도, 오래 지속되는 입자들에 대해서는 평탄하고 일관되게 유지하도록 강제합니다.

결과: 더 평탄하고 공정한 점수

연구팀은 이 두 가지 방법을 사용하여 AI 모델을 훈련시켰으며, 특히 $B^+ \to J/\psi(\mu^+\mu^-)K^+$ 및 $B^0 \to D^-(K^+\pi^-\pi^-)\pi^+$와 같은 실제 뷰티 입자를 얼마나 잘 찾을 수 있는지 시뮬레이션 데이터로 테스트했습니다.

그들은 두 방법 모두 도움이 되었지만, 작동 방식은 달랐습니다. DisCo 방식은 AI가 중간 수명의 입자에 대해 덜 까다롭게 만들어 장기 수명에 대해서는 점수를 평탄하게 유지했지만, 전체적인 효율성을 다소 낮추었습니다. 그러나 MoDe 방식은 주인공이었습니다. 이 방식은 중간 수명의 입자에 대한 효율성을 높게 유지하면서도, 오래 지속되는 입자들에 대해서는 점수를 평탄하게 만드는 데 성공했습니다.

수명이 4 피코초(1피코초는 1조 분의 1초)보다 큰 입자들을 조사했을 때 차이는 분명했습니다. 아무런 도움 없이 AI의 효율성은 수명이 증가함에 따라 급격히 떨어졌으며, 그 기울기는 약 -24.9였습니다. DisCo 방식은 이를 -12.9로 개선했지만, $\lambda = 0.1$의 벌칙 강도를 가진 MoDe 방식은 3체 후보군(3-body candidates)에 대해 기울기를 거의 0에 가까운 -6.6까지 낮추었습니다. 이는 AI가 더 이상 자신이 찾아야 할 오래 지속되는 입자들을 차별하지 않게 되었음을 의미합니다.

결론

논문은 LHC 런 3(Run 3)의 분주한 조건이 트리거 시스템을 혼란스럽게 하는 새로운 종류의 배경 소음을 만들어냈다고 결론짓습니다. 신경망을 입자 수명으로부터 탈상관화하기 위해 MoDe 접근 방식을 사용함으로써, LHCb 실험은 자신의 "보안 요원"이 공정함을 유지하도록 할 수 있습니다. 이 방식은 가짜 궤적에 속지 않으면서도 실제 오래 지속되는 뷰티 입자들을 계속해서 통과시킬 것입니다. 이는 입자가 시간에 따라 어떻게 붕괴하는지를 측정하는 데 의존하는 미래의 과학적 연구들이 컴퓨터 자체의 혼란으로 인해 편향되지 않도록 보장합니다. 저자들은 이 방법이 데이터를 깨끗하게 유지하고 물리학적 정확성을 지키는 강력한 해결책이라고 제안합니다.