Performance of heavy-flavour jet identification in the CMS high-level trigger in proton-proton collisions at $\sqrt{s}$ = 13.6 TeV

유럽 입자 물리 연구소로 알려진 CERN의 중심부에서는, 거대 강입자 충돌기(LHC)라고 불리는 기계가 빛의 속도에 근접하는 속도로 양성자를 충돌시킵니다. 이러한 충돌은 우주가 시작된 직후의 아주 짧은 순간에 존재했던 조건을 재현하며, 새로운 입자들의 샤워를 만들어냅니다. 이 중 가장 중요한 것들은 무거운 쿼크, 구체적으로 바텀(bottom)과 참(charm) 종류입니다. 이 쿼크들이 생성되면, 이들은 빠르게 더 무거운 입자로 변하며 아주 짧은 거리를 이동한 후 붕괴합니다. 이 미세한 지연은 뚜렷한 흔적을 남기는데, 바로 주 충돌 지점에서 약간 벗어난 이차적인 기원 지점입니다. 물리학자들은 이를 '변위 정점(displaced vertex)'이라고 부릅니다. 이 무거운 쿼크들로부터 기원하는 입자의 분사(spray)인 제트(jet)를 식별하는 것은 많은 실험, 특히 질량을 부여하는 입자인 힉스 보손을 찾는 실험에서 필수적입니다. 힉스 보손은 종종 이러한 무거운 쿼크들로 붕괴하기 때문에, 이들을 포착하는 능력은 자연의 근본 법칙을 이해하는 데 매우 중요한 기술이 됩니다. 그러나 우주는 또한 가벼운 입자들로부터 발생하는 방대한 양의 제트들을 생성하며, 이는 과학자들이 찾고자 하는 희귀한 신호들을 쉽게 가릴 수 있는 노이즈 배경을 형성합니다.

CERN 연구원들의 과제는 단순히 이 무거운 쿼크들을 찾는 것이 아니라, 기계의 속도에 맞춰 충분히 빠르게 찾아내는 것입니다. 거대 강입자 충돌기는 초당 4,000만 번의 충돌을 만들어냅니다. 모든 단일 사건의 데이터를 저장하는 것은 불가능합니다. 저장 시스템이 그 엄청난 양을 감당할 수 없기 때문입니다. 대신, '트리거(trigger)'라고 불리는 정교한 필터링 시스템이 마이크로초의 아주 짧은 시간 내에 어떤 충돌이 보관할 만큼 흥미로운지, 그리고 어떤 것을 버려야 할지를 결정해야 합니다. 이 시스템은 문지기 역할을 하며, 거대한 데이터의 홍수를 초당 수천 개의 관리 가능한 이벤트 수준으로 줄여줍니다. 수년 동안 이 문지기는 무거운 쿼크에서 나온 제트와 가벼운 입자에서 나온 제트를 구별하기 위해 확립된 방법들에 의존해 왔습니다. 하지만 충돌기가 더 강력해지면서 더 많은 충돌과 더 많은 배경 노이즈를 생성하게 되자, 기존의 방법들은 어려움을 겪기 시작했습니다. 기존 방식들은 너무 많은 노이즈를 통과시키지 않으면서 희귀하고 흥미로운 사건들을 잡아내기에는 민감도가 부족했거나, 혹은 너무 엄격하게 설정되어 가치 있는 데이터를 놓치기도 했습니다.

이를 해결하기 위해, 충돌기의 두 가지 주요 실험 중 하나인 CMS 협력단은 고수준 트리거 시스템을 위한 차세대 도구들을 개발했습니다. 이 시스템은 표준 컴퓨터 프로세서 팜(farm)에서 실행되며, 이벤트의 최종적이고 가장 상세한 선택을 담당합니다. 연구팀은 인간의 뇌가 패턴을 인식하는 방식을 모방하는 인공지능의 한 형태인 딥러닝 기반의 새로운 유형의 알고리즘을 도입했습니다. 구체적으로, 그들은 '동적 그래프 합성곱 신경망(dynamic graph convolutional neural network)'이라는 기술을 활용했습니다. 간단히 말해, 이 알고리즘은 제트 내부의 입자들을 단순한 목록이 아니라 연결된 웹 또는 그래프로 취급합니다. 이 알고 알고리즘은 모든 입자가 이웃과 어떻게 관계를 맺는지 살펴보고, 입자 분사의 복잡한 구조를 분석하여 그 기원을 결정합니다. 이러한 접근 방식 덕분에 시스템은 이전의 방법들이 감지할 수 없었던 무거운 쿼크로 이루어진 제트와 가벼운 입자로 이루어진 제트 사이의 미세한 차이를 포착할 수 있었습니다.

연구진은 기계의 기록적인 에너지 수준인 13.6 테라전자볼트(TeV)의 양성자-양성자 충돌에서 수집된 데이터를 사용하여 이 새로운 알고리즘들을 테스트했습니다. 그들은 바텀 쿼크 제트와 참 쿼크 제트를 식별하는 두 가지 주요 작업에 집중했습니다. 결과는 상당한 개선을 보여주었습니다. 새로운 시스템은 훨씬 더 높은 정확도로 바텀 쿼크 제트를 식별하는 동시에, 이전 세대의 도구들보다 훨씬 더 효과적으로 가벼운 제트의 배경을 제거할 수 있었습니다. 이는 트리거를 더 포괄적으로 설정하여, 노이즈에 압도되지 않으면서도 과학자들이 연구하고자 하는 희귀한 사건들을 더 많이 보관할 수 있음을 의미했습니다. 아마도 더욱 중요한 점은, 새로운 시스템이 온라인 필터링 시스템에서 처음으로 참 쿼크 제트를 높은 효율로 식별할 수 있게 했다는 것입니다. 이는 실시간으로 격리하기가 이전에는 너무 어려웠던 참 쿼크 관련 과정들을 연구할 수 있는 길을 열어주었습니다.

이러한 개선의 영향은 물리학의 여러 핵심 분야에서 즉각적이고 측정 가능하게 나타났습니다. 주요 성과 중 하나는 네 개의 바텀 쿼크로 붕 decay되는 힉스 보손 쌍을 찾는 연구였습니다. 이는 힉스 보손이 스스로와 어떻게 상호작용하는지를 이해하는 데 도움을 주는 희귀한 과정입니다. 새로운 트리거를 통해 실험은 특정 에너지 범위에서 이전 설정과 비교했을 때 유용한 사건의 수를 사실상 두 배로 늘리며 이러한 사건들에 대한 데이터를 훨씬 더 높은 효율로 수집할 수 있었습니다. 마찬가지로, 이 시스템은 힉스 보손이 한 쌍의 톱 쿼크와 함께 생성될 때를 연구하는 능력을 향상시켰는데, 이는 입자의 특성을 이해하는 데 또 다른 중요한 경로입니다. 새로운 도구들은 또한 참 쿼크로 붕괴하는 힉스 보손에 대한 전용 탐색을 가능하게 했으며, 이는 과도한 배경 노이즈 때문에 과거에는 트리거를 거는 것이 거의 불가능했던 과정이었습니다. 이벤트를 저장하는 데 필요한 에너지 임계값을 낮춤으로써, 새로운 시스템은 물리학자들이 이전에는 접근할 수 없었던 낮은 에너지 영역을 탐구할 수 있게 해주었습니다.

연구팀은 또한 매우 무거운 입자들이 생성되어 매우 빠른 속도로 이동할 때 그 생성물들이 하나의 커다란 분사로 합쳐져 버리는 고에너지 입자들을 처리하기 위한 특화된 버전의 알고리즘을 개발했습니다. 이는 매우 무거운 입자들이 생성될 때 흔히 발생하는 현상입니다. 새로운 시스템은 이러한 병합된 제트들을 높은 정밀도로 식별할 수 있어 실험의 범위를 더욱 확장했습니다. 데이터 수집 기간 내내 연구진은 실제 수집된 데이터와 알고리즘의 예측을 비교하며 성능을 지속적으로 모니터링했습니다. 그들은 시스템 설계를 위해 사용된 컴퓨터 시뮬레이션이 실제 데이터와 매우 밀접하게 일치한다는 것을 발견했으며, 이는 새로운 도구가 신뢰할 수 있고 안정적임을 확인시켜 주었습니다. 시스템은 단순한 검출기들을 혼란스럽게 만드는 조건인 '파일업(pileup, 다중 충돌)' 상황에서도 높은 성능을 유지했습니다.

데이터 수집 기간이 끝날 무렵, 새로운 트리거는 실험의 표준이 되었습니다. 이들은 수백 테라바이트의 데이터 분석에 채택되었으며, 새로운 물리학을 찾는 데 있어 직접적으로 감도를 개선하는 데 기여했습니다. 이 작업은 고급 머신 러닝 기술이 한때 계산적으로 너무 까다롭다고 여겨졌던 입자 물리학 트리거의 찰나의 환경에 성공적으로 배치될 수 있음을 입증했습니다. 이 프로젝트의 성공은 CMS 실험이 이제 데이터를 더 깊이 들여다보고, 이전에는 노이즈 속에 숨겨져 있던 신호들을 찾아낼 수 있음을 의미합니다. 이러한 능력은 충돌기가 더 높은 강도로 작동하며 우주의 근본적인 구성 요소에 대해 알려진 것의 경계를 계속 넓혀감에 따라, 미래의 분야에서 필수적인 요소가 되었습니다. 실시간으로 무거운 것을 가벼운 것과, 희귀한 것을 흔한 것과 구별하는 능력은 현대 입자 물리학의 초석이 되어, 잠재적인 발견이 필터의 한계로 인해 사라지는 일이 없도록 보장하고 있습니다.