The inseparable three and four tops

우주를 거대한 고속 입자 충돌기로 상상해 보십시오. 이곳은 아주 작은 구성 요소들이 서로 충돌하며 존재의 비밀을 밝혀내는 곳입니다. 우리가 알고 있는 지식의 최전선에는 "톱 쿼크(top quark)"라고 불리는 헤비급 챔피언이 있습니다. 이것은 우리가 발견한 가장 무거운 기본 입자로, 너무나 무거워서 현재의 물리학적 이해를 넘어서는 미스터리를 푸는 특별한 열쇠가 될 수도 있습니다. 보통 이 입자들은 춤 파트너처럼 쌍으로 나타나지만, 에너지가 충분히 높으면 세 개 또는 네 개로도 나타날 수 있습니다. 거대 강입자 가속기(LHC)의 과학자들은 이 희귀한 '포 톱 쿼크(four-top-quark)' 사건을 포착하려고 노력하고 있는데, 왜냐하면 이것이 그림자 속에 숨어 있는 새로운 힘이나 입자들을 드러낼 수 있기 때문입니다. 하지만 이들을 포착하는 것은 눈보라 속에서 특정 눈송이를 찾아내는 것만큼이나 어렵습니다. 신호는 매우 복잡하며, 입자들은 거의 즉각적으로 다른 입자들의 혼란스러운 샤워로 붕괴됩니다.

큰 문제는 자연이 우리에게 장난을 치는 방식을 가지고 있다는 점입니다. 때때로 네 개의 톱 쿼크를 생성하는 것처럼 보이는 과정은 사실 세 개의 톱 쿼크와 네 번째 쿼크처럼 보이게 만드는 약간의 추가 복사(radiation)에 불과할 수 있습니다. 이는 마치 방 안에 있는 사람의 수를 세려고 하는데, 누군가 코트를 입고 들어왔다 나갔다 하면서 마치 두 명처럼 보이게 만드는 것과 같습니다. 오랫동안 과학자들은 '포 톱 쿼크' 사건을 관찰할 때 '쓰리 톱(three-top)' 사건들을 그냥 무시해도 된다고 생각했지만, 알고 보니 이 둘은 사실상 분리할 수 없는 관계였습니다. 만약 기존의 방법들로 이들을 분리하려고 시도한다면, 물리 법칙의 근본적인 규칙을 깨뜨려 수학적 계산이 폭발하거나 터무니없는 답을 내놓게 됩니다. 이 논문은 이 복잡한 중첩 문제를 다루며, 우주의 법칙을 깨뜨리지 않으면서도 이 입자들을 세는 새롭고 영리한 방법을 제안하고, 전체 사건의 수가 이전 생각보다 훨씬 더 많다는 것을 보여줍니다.

---

거대한 톱 쿼크의 혼동

거대 강돌입자 가속기를 양성자(에너지의 작은 묶음)들이 서로 충돌하는 거대하고 혼란스러운 파티라고 생각해 보십시오. 대부분의 경우, 그들은 그냥 튕겨 나가거나 톱 쿼크 쌍을 만들어내는데, 톱 쿼크는 입자 세계의 "헤비급"입니다. 하지만 가끔 파티가 아주 격렬해지면 세 개 또는 네 개의 톱 쿼크가 동시에 생성되기도 합니다. 이 논문의 과학자들은 "포 톱 쿼크" 파티에 집중하고 있는데, 이는 새로운 물리학을 드러낼 수 있기 때문에 매우 희귀하고 흥미로운 사건입니다. 하지만 문제가 하나 있습니다. "쓰리 톱" 파티가 입자들이 붕괴하기 시작하면 "포 톱" 파티와 거의 똑같이 보인다는 것입니다.

여기에는 함정이 있습니다. 톱 쿼크가 붕괴할 때, 그것은 W 보손과 바텀 쿼크로 변합니다. 만약 세 개의 톱 쿼크가 있고 그중 하나가 추가적인 바텀 쿼크를 복사(방출)한다면, 결과적으로 네 개의 톱 쿼크가 붕괴하는 것과 똑같이 보이는 최종 상태를 만들게 됩니다. 이는 마치 네 명의 친구가 함께 도착한 그룹과, 세 명의 친구가 함께 도착했는데 네 번째 친구가 우연히 같은 옷을 입고 들어온 그룹을 구별하려고 하는 것과 같습니다. 과거에 물리학자들은 이 그룹들을 분리하기 위해 "쓰리 톱" 사건들을 단순히 무시하거나 데이터의 특정 부분을 잘라내는 방식을 사용했습니다. 하지만 이 논문의 저자들은 그렇게 하는 것이 마치 케이크를 부스러기 하나 없이 반으로 자르려는 것과 같다고 주장합니다. 이는 "게이지 불변성(gauge invariance, 수학적 일관성을 유지하는 근본 법칙)"을 깨뜨리고, 확률의 합이 100%를 넘어가는 불가능한 현상인 "유니타리티 위반(unitarity violation)"을 초래하기 때문입니다.

새로운 "윈도우(Window)" 해결책

이를 해결하기 위해 저자들은 "윈도우 제거(window removal)"라고 부르는 영리하고 새로운 방법을 도입합니다. 당신이 바쁜 교통 체증 속에서 빨간색 자동차의 수를 세려고 하는데, 어떤 파란색 자동차들이 빨간색 스티커를 붙여서 빨간색처럼 보인다고 상상해 보십시오. 스티커를 칠해서 가리거나 파란색 자동차를 버리는 대신(이는 교통 흐름을 망칠 수 있습니다), 당신은 특정 "윈도우(시간 창)"를 관찰하기로 결정합니다.

이 윈도우 안에서는, "빨간 스티커" 차량이 확실히 빨간색 차량 위에 있는 경우(온쉘(on-shell) 한계)에는 이를 네 톱 그룹의 일부로 셉니다. 윈도우 밖에서는, 빨간 스티커가 그냥 떠다니는 경우에는 이를 쓰리 톱 그룹의 일부로 셉니다. 이 윈도우(구체적으로 톱 쿼크 질량 주변의 ±40 GeV 범위)를 정교하게 정의함으로써, 저자들은 물리 법칙을 깨뜨리지 않으면서 쓰리 톱과 포 톱 사건을 모두 포함하는 "결합 예측(joint prediction)"을 만들어냈습니다.

그들은 슈퍼컴퓨터를 이용한 복잡한 시뮬레이션을 통해 이를 테스트했습니다. 연구 결과, 만약 순수한 "포 톱" 사건만을 찾는다면 엄청난 양의 움직임을 놓치게 된다는 것을 발견했습니다. 그들이 새로운 윈도우 방법을 사용하여 분리 불가능한 "쓰리 톱" 사건들을 추가했을 때, 결합된 사건 발생률은 순수하게 온쉘(on-shell) 상태인 포 톱 성분만 계산했을 때보다 10% 이상 더 높았습니다. 이는 입자 물리학의 세계에서 엄청난 차이이며, 이전의 추정치들이 실제 발생하는 현상을 상당히 과소평가했음을 의미합니다.

"B-베토(B-Veto)" 기술

이 논문은 또한 다음과 같은 재미있고 이상적인 아이디어를 탐구합니다. 만약 우리가 마법처럼 추가적인 "바텀" 쿼크가 생성되는 것을 막을 수 있다면 어떨까요? 실제 세상에서는 톱 쿼크 자체가 바텀 쿼크로 붕괴하기 때문에 바텀 쿼크의 바다를 만드는 상황에서 이를 막는 것은 거의 불가능합니다. 하지만 시뮬레이션에서 저자들은 추가적인 하드(hard) 바텀 쿼크를 "베토(veto, 차단)"하는 실험을 했습니다.

이 과정을 수행했을 때, 쓰리 톱과 포 톱 사건 사이의 복잡한 중첩이 사라졌습니다. 쓰리 톱 사건들이 뚜렷해졌고 독립적으로 연구하기 쉬워졌습니다. 비록 실제 검출기에서는 이를 실제로 수행할 수 없지만(어느 바텀 쿼크가 어디에서 왔는지 구별하는 것이 너무 어렵기 때문입니다), 이 시뮬레이션은 "만약 ~라면"이라는 시나리오 역할을 합니다. 이는 우리가 이러한 사건들을 격리할 수 있다면, 쓰리 톱 생성 과정을 훨씬 더 깨끗하게 관찰할 수 있음을 보여줍니다. 이는 과학자들이 데이터 속의 미세한 패턴을 포착하기 위해 고급 AI를 사용하는 등, 더 나은 실험을 설계하는 데 도움을 줄 수 있습니다.

연구 결과

주요 결론은 "분리 불가능한" 쓰리 톱과 포 톱 생성의 특성이 단순한 번거로움이 아니라, 데이터의 근본적인 특징이라는 점입니다. 저자들은 모든 복잡한 양자 보정(quantum corrections)을 포함하는 가장 높은 수준의 정밀도(차세대 선행 차수, NLO)로 이 과정들의 비율을 계산했습니다.

그들은 계산의 각 부분이 서로 상쇄되는 등 수학적으로 매우 복잡해 보일 수 있지만, 최종 결과는 놀라울 정도로 안정적이라는 것을 발견했습니다. 모든 미세한 보정을 계산할 필요 없이, 처음 세 가지 주요 부분과 가장 중요한 양자 보정 하나만 있으면 정확한 답을 얻기에 충분하다는 것을 알아냈습니다.

결정적으로, 저자들은 LHC의 실험 물리학자들(ATLAS 및 CMS 협력단과 같은)이 포 톱 사건을 찾을 때, "순수한" 포 톱 신호만을 분리하려고 해서는 안 된다고 주장합니다. 대신, 이 새로운 결합된 "쓰리 톱 + 포 톱" 예측값과 데이터를 비교해야 합니다. 그렇지 않으면, 10%의 사건 과잉을 놓치거나, 더 심하게는 데이터를 잘못 해석할 수 있습니다. 이 논문은 현재의 "순수" 포 톱 발생률이 결합된 발생률보다 약 1.4 fb(펨토바른) 낮다는 것을 시사하며, 이는 무시하기에는 너무 큰 보정치입니다.

요약하자면, 이 논문은 LHC에서 톱 쿼크를 세는 새롭고 수학적으로 타당한 방법을 제공합니다. 저자들은 쓰리 톱과 포 톱 사건을 완벽하게 분리할 수 없음을 인정하며, 대신 싸우는 대신 그 혼합을 수용하는 더 나은 계산법을 구축했습니다. 이를 통해 우리가 마침내 데이터 속에 숨어 있는 새로운 무언가를 발견했을 때, 단순한 계산 오류에 속아 넘어가지 않도록 보장합니다.