A High- and Variable-Dimensional Measurement of the $Z$+jets Differential Cross Section with the ATLAS Experiment and Artificial Intelligence

대형 강입자 충돌기(Large Hadron Collider)는 양성자를 매우 높은 에너지로 충돌시켜 이들이 더 작고 근본적인 입자들의 샤워로 부서질 때까지 부수는 작업을 수행하도록 구축된 기계입니다. 이러한 충돌이 발생할 때, 파편들은 무작위 방향으로 날아가는 것이 아니라, 물리 법칙에 의해 제트(jet)라고 알려진 조밀한 원뿔 모양의 분사 형태로 뭉치게 됩니다. 이 제트는 과학자들이 물질의 구성 요소를 결합하는 보이지 않는 풀인 강력(strong nuclear force)을 연구하는 주요한 방법입니다. 수십 년 동안 물리학자들은 제트의 총 에너지나 분사의 질량과 같이 특정하고 미리 정해진 특성을 측정함으로써 이 제트들을 이해하려고 노력해 왔습니다. 그러나 이러한 접근 방식은 복잡한 그림을 이해하기 위해 오직 전체 무게나 평균 색상만을 측정하려는 것과 같습니다. 이는 색료가 실제로 어떻게 적용되었는지에 대한 복잡한 세부 사항을 놓치게 만듭니다. 문제는 충돌 데이터가 너무 방대하고 고차원적이어서, 전통적인 도구로는 그들 사이의 연결성을 잃지 않고 모든 세부 사항을 포착할 수 없었다는 점입니다.

캘리포니아 대학교 어바인 캠퍼스의 연구원인 케빈 그레이프(Kevin Greif)의 새로운 연구는 이 데이터가 처리되는 방식을 변화시킵데 있습니다. ATLAS 실험과 협력하여 작업한 그레이프는 데이터를 단순화된 상자에 억지로 밀어 넣지 않고도 특정 유형의 입자 생성 이벤트(Z 보존이 입자 분사와 함께 생성되는 경우)를 측정하는 방법을 개발했습니다. 팀은 몇 가지 특징을 골라 측정하는 대신, 인공지능을 사용하여 모든 개별 하전 입자의 위치와 운동량을 보존하며 전체 이벤트를 재구성했습니다. 이 접근 방식은 그들에게 데이터를 가공되지 않은 온전한 복잡성 그대로 바라볼 수 있게 해주며, 단순한 요약이 아닌 충돌의 완전한 지도를 만들어냅니다. 그 결과, 이전에는 계산하기에 너무 복잡하여 숨겨져 있었던 데이터 속의 패턴을 드러내며, 이전에 달성했던 것보다 훨씬 더 상세한 측정을 가능하게 했습니다.

이 작업의 핵심은 검출기의 흐림 효과를 역전시키는 방법인 '언폴딩(unfolding)'이라는 기술에 있습니다. 입자들이 ATLAS 검출기에 부딪힐 때, 기계는 그 신호를 기록하지만, 이 신호들은 완벽하지 않습니다. 기계 장치 자체에 의해 번지거나 왜곡됩니다. 충돌 중에 실제로 어떤 일이 일상했는지 이해하려면, 물리학자들은 수학적으로 이 왜곡을 되돌려야 합니다. 전통적으로 이는 구슬을 크기에 따라 양동이에 담는 것처럼 입자들을 빈(bin)으로 분류하는 방식으로 이루어졌습니다. 하지만 이 방법은 구슬들이 서로 어떻게 연관되어 있는지에 대한 정보를 잃게 만듭니다. 그레이프의 팀은 정교한 형태의 인공지능, 구체적으로는 생성 모델(generative model)의 한 유형을 사용하여 이 역전 과정을 수행했습니다. 팀은 입자를 양동이에 나누어 담는 대신, 지저집한 검출기 신호와 깨끗하고 진정한 충돌 사이의 관계를 학습했습니다. 그리고 이 지식을 실제 데이터에 적용하여, 검출기 노이즈의 층을 효과적으로 벗겨내어 모든 이벤트의 근본적인 진실을 드러냈습니다.

이 방법은 연구진이 수많은 차원에서 동시에 Z 보존 생성 과정의 단면적(cross section), 즉 확률을 측정할 수 있게 해주었습니다. 이전의 측정들이 한 번에 20~30개의 서로 다른 특성을 살펴보았다면, 이 새로운 분석은 동시에 최대 843차원의 정보를 포착했습니다. 팀은 단지 한 가지를 측정한 것이 아니라, 충돌의 전체 이야기를 담고 있는 데이터셋을 만들었습니다. 이 단일 데이터셋으로부터 그들은 복잡한 계산을 반복할 필요 없이 많은 서로 다른 물리적 양의 측정을 추출할 수 있었습니다. 그것은 마치 복잡한 장면을 찍은 단 하나의 고해외 해상도 사진을 찍은 뒤, 그 사진의 적절한 부분을 살펴봄으로써 자동차의 속도, 공기의 온도, 나무 사이의 거리 등을 완벽한 정확도로 측정할 수 있음을 깨달은 것과 같습니다.

연구진은 이 새로운 접근 방식이 얼마나 잘 작동하는지 확인하기 위해 네 가지 특정 물리적 특성을 측정하여 테스트했습니다. 첫째, 그들은 충돌의 기저 활동을 조사하여 하전 입자의 수와 총 운동량을 측정했습니다. 그들은 컴퓨터 시뮬레이션이 이러한 이벤트를 예측할 때 실제 데이터보다 값이 30% 높거나 낮게 예측하는 등 종종 목표에서 벗어난다는 것을 발견했습니다. 이러한 불일치는 입자가 형성되고 상호작�하는 방식에 대한 우리의 현재 이해가 여전히 불완전하다는 점을 강조합니다. 둘째, 그들은 제트 자체의 형상, 구체적으로 에너지가 제트 중심에서 바깥쪽으로 어떻게 분포되는지를 조사했습니다. 고차원적 방법을 사용하여, 그들은 제트를 정의하는 다양한 방식 사이를 즉각적으로 전환할 수 있었으며, 이를 통해 제트의 특정 특징이 물리적 충돌 자체가 아니라 컴퓨터가 입자들을 그룹화하는 방식에 의해 발생했다는 것을 밝혀냈습니다.

셋째, 팀은 입자 사이의 각도에 기반하여 에너지가 어떻게 연관되어 있는지를 추적하는 에너지-에너지 상관관계(energy-energy correlator)라는 특성을 측정했습니다. 이 측정은 넓은 각도 범위에 걸쳐 입자 쌍을 관찰해야 하므로 매우 어렵습니다. 새로운 방법은 전체 이벤트에 걸쳐 이 관계를 성공적으로 포착했으며, 세 가지 뚜렷한 행동 영역을 보여주었습니다: 입자들이 독립적으로 행동하는 영역, 강한 힘의 법칙을 따르는 중간 영역, 그리고 자유 입자처럼 행동하는 마지막 영역입니다. 이는 서로 다른 규모에서 강력(strong force)이 어떻게 작동하는지에 대한 상세하고 명확한 뷰를 제공하였으며, 중간 범위에서는 이론적 예측을 확인하는 동시에 가장 작은 규모에서는 현재의 모델이 어려움을 겪고 있음을 보여주었습니다.

마지막으로, 팀은 제트의 내재적 차원(intrinsic dimensionality)이라는 특성을 측정했는데, 이는 제트의 구조를 설명하는 데 실제로 몇 개의 숫자가 필요한지를 묻는 개념입니다. 그들은 제트가 수십 개의 입자로 구성된 것처럼 보임에도 불구하고, 근본적인 구조는 단 몇 개의 차원으로 설명될 수 있다는 것을 발견했습니다. 이는 입자의 복잡한 분사가 실제로는 훨씬 더 단순한 규칙에 의해 지배되며, 컴퓨터가 학습하고 예측하기 쉬운 방식으로 뭉쳐져 있음을 시사합니다.

이 연구의 의의는 단순히 이러한 특정 측정값들에만 국한되지 않습니다. 충돌의 전체 위상 공간(phase space)을 정보 손실 없이 측정할 수 있음을 증명함으로써, 이 연구는 입자 물리학 분석의 새로운 시대를 열었습니다. 이 측정에 의해 생성된 데이터셋은 정적인 숫자 목록이 아니라, 다른 과학자들이 자신의 이론을 테스트하고 새로운 현상을 찾기 위해 사용할 수 있는 유연한 자원입니다. 연구진은 이 데이터셋을 공개적으로 활용할 수 있도록 하여, 누구나 자신이 연구하고자 하는 관측량에 데이터를 투영할 수 있게 했습니다. 이는 무엇을 측정해야 새로운 물리학이 드러날지 추측하는 데 집중하던 방식에서, 우리가 아직 생각조차 하지 못한 질문들에 대한 답을 찾기 위해 채굴할 수 있는 종합적인 데이터 라이브러리를 구축하는 방식으로 초점을 전환시킵니다.

또한 이 연구는 현재 컴퓨터 모델의 한계를 다룹니다. 연구진은 시뮬레이션이 입자의 일반적인 행동을 예측하는 데는 뛰어나지만, 특히 입자가 분포되는 방식이나 가장 작은 규모에서 상호작용하는 미세한 세부 사항을 포착하는 데는 자주 실패한다는 것을 발견했습니다. 데이터와 시뮬레이션 사이의 이러한 불일치는 입자가 하드론(hadron)으로 형성되는 과정, 즉 강입자화(hadronization) 모델이 정교해져야 함을 시사합니다. 이 새로운 방법을 통해 제공된 고정밀 데이터는 이러한 모델을 튜닝하는 방법을 제공하여, 향로의 실험에 대해 더 정확한 예측을 가능하게 할 것입니다. 이는 더 많은 데이터를 생산하고 이를 해석하기 위해 훨씬 더 정밀한 도구를 필요로 할 차세대 고휘도 LHC(High-Luminosity LHC)에 있어 매우 중요합니다.

더 넓은 과학 연구의 맥락에서, 이 작업은 인공지능이 단순한 분류 도구가 아니라 근본적인 발견을 위한 방법으로서 가진 힘을 입증합니다. AI는 단순히 데이터를 분류한 것이 아니라, 노이즈 뒤에 숨겨진 물리적 실체를 재구성했습니다. 이 접근 방식은 문제를 해결 가능하게 만들기 위해 복잡한 문제를 단순화하곤 했던 전통적인 물리학의 방식을 도전합니다. 대신, 이 연구는 데이터의 완전한 복잡성을 수용함으로써 이전에 보이지 않았던 진실을 밝혀낼 수 있음을 보여줍니다. 저자는 이 방법이 미래의 실험에 표준적인 관행이 되어, 파편적인 측정에서 벗어나 입자 상호작용에 대한 보다 총체적인 이해로 나아가야 한다고 제안합니다.

논문은 이러한 기술의 잠재력을 전망하며 결론을 맺습니다. 연구진은 인공지능이 계속 발전함에 따라 과학자들이 대형 강돌기에서 수집된 데이터로부터 훨씬 더 많은 정보를 추출할 수 있게 될 것이라고 믿습니다. 그들은 AI 시스템이 단순히 데이터를 분석하는 것을 넘어, 실험을 설계하고 결과를 해석하는 데 도움을 주어 발견의 속도를 가속화할 수 있는 미래를 구상합니다. 현재의 연구는 특정 유형의 충돌에 초점을 맞추고 있지만, 여기서 개발된 방법은 톱 쿼크(top quark)나 힉스 보존(Higgs boson)의 생성과 같은 다른 과정에도 적용될 수 있습니다. 궁극적인 목표는 표준 모델(Standard Model, 현재의 입자 물리학 이론)에서 벗어나는 현상을 찾아내어 새로운 입자나 힘의 발견으로 이어지는 것입니다. 그레이프와 그의 팀이 제시한 연구는 그 방향을 향한 중요한 단계이며, 우주의 가장 근본적인 수준에서 세상을 보는 새로운 방법을 제공합니다.