Anomaly detection for multijet scenarios

수십 년 동안 새로운 물리학을 찾는 과정은 건초더미에서 바늘을 찾는 게임이었지만, 건초더미는 계속해서 커지고 있습니다. 거대 강입자 충돌기(LHC)의 과학자들은 우주가 작동하는 방식에 대한 현재의 규칙서인 표준 모형에 속하지 않는 무언가를 포착하기를 희망하며, 입자들을 엄청난 속도로 충돌시킵니다. 새로운 것을 발견했을 때, 그것은 종종 공명(resonance), 즉 다른 입자들의 분무 형태로 거의 즉각적으로 붕괴하는 찰나의 입자로 나타납니다. 전통적으로 연구자들은 이 신호가 매우 구체적인 방식, 예를 들어 무거운 입자가 정확히 두 개의 제트(jet)로 부서지는 방식과 같은 특정 방식으로 나타날 것이라고 가정하고 이를 찾아왔습니다. 이 접근 방식은 가정이 맞을 때는 잘 작동하지만, 대다수의 가능성에 대해서는 문을 닫아버립니다. 만약 새로운 입자가 세 개, 네 개, 혹은 그 이상의 제트로 붕괴한다면, 표준 탐색 방법은 그 특정한 패턴을 찾고 있지 않기 때문에 이를 완전히 놓치게 됩니다.

이러한 한계는 이상 탐지(anomaly detection)라고 알려진 다른 종류의 탐색으로의 전환을 촉발했습니다. 과학자들은 새로운 물리학이 어떤 모습일지 추측하는 대신, 컴퓨터가 배경 소음이 어떻게 생겼는지를 인식하도록 학습시키고, 그중에서 이상하게 튀는 것을 표시하게 합니다. 이 방법은 강력한데, 왜냐하면 무엇을 찾을지에 대한 특정 이론을 요구하지 않기 때문입니다. 그러나 이러한 유연한 방법들조차도 입자 분무의 수가 급격히 변하는 복잡한 사건들에서는 어려움을 겪어 왔습니다. 그레고르 카시에카(Gregor Kasieczka)와 그의 동료들이 수행한 새로운 연구는 지저분한 데이터를 정화하는 영리한 방법과 정교한 머신러닝 기술을 결합함으로써 이 간극을 해결합니다. 그들의 연구는 입자가 얼마나 많은 제트를 생성하느냐에 관계없이 이상한 새로운 물리학을 포착하는 것이 가능하다는 것을 보여주며, 가장 진보된 탐색 전략에서도 이전에는 보이지 않았던 신호들을 발견할 수 있는 문을 열어줍니다.

연구진은 근본적인 문제, 즉 입자가 혼란스러운 잔해의 분무로 부서질 때 '질량'을 어떻게 정의할 것인가라는 문제부터 시작했습니다. 입자가 두 개로 갈라지는 단순한 경우에는 두 개의 결과물인 제트를 보고 질량을 쉽게 계산할 수 있습니다. 하지만 입자가 세 개나 네 개의 제트로 붕괴하거나 제트가 불균형할 때, 표준 계산법은 실패하며 신호는 흐릿함 속에 사라집니다. 팀은 이 질량을 측정하는 몇 가지 다른 방법을 테스트했습니다. 한 가지 접근 방식은 이벤트 내의 모든 단일 입자의 질량을 단순히 합산하는 것이었습니다. 이 방식은 신호를 포착하기는 했지만, 결과 데이터가 너무 넓고 번져 있어서 새로운 입자를 배경 소음으로부터 구별하는 것이 불가능했습니다. 이는 마치 사람들이 한꺼번에 소리를 지르는 경기장 안에서 특정 목소리를 찾는 것과 같았습니다. 신호는 존재했지만, 소음에 묻혀 버린 것입니다.

이를 해결하기 위해 팀은 원래 입자 제트의 가장자리를 정리하기 위해 설계된 방법인 '재귀적 소프트 드롭(recursive soft drop)' 기법을 적용했습니다. 이를 낙엽 더미에 비유하자면, 어떤 낙엽은 무겁고 중심부에 있는 반면, 어떤 것은 가볍고 바람에 흩날리는 것과 같습니다. 이 알고리즘은 가볍고 흩어진 낙엽들을 날려 보내고 무겁고 중심적인 덩어리만을 남기는 부드러운 바람 역할을 합니다. 전체 이벤트에 이 과정을 적용함으로써, 연구진은 시야를 흐리게 만드는 부드럽고 무관한 입자들을 벗겨낼 수 있었습니다. 남은 것은 훨씬 깨끗하고 선명한 데이터의 정점이었습니다. 그들이 '재귀적 소프트 드롭 질량'이라고 부른 이 새로운 측정법은 입자가 세 개나 네 개의 제트로 붕괴했을 때도 공명을 명확하게 볼 수 있게 해주었습니다. 신호는 단순한 두 개의 제트 사례에서만큼이나 배경 속에서 뚜로 드러났으며, 이는 이 방법이 다양한 붕괴 패턴을 처리할 수 있음을 증명했습니다.

데이터를 더 깨끗하게 보는 이 방법을 갖춘 후, 팀은 이상을 찾도록 설계된 머신러닝 시스템을 테스트했습니다. 그들은 신호가 예상되지 않는 영역에서 배경 소음을 이해하도록 컴퓨터를 가르치는 CATHODE라는 기술을 사용했습니다. 컴퓨터가 정상적인 배경이 어떻게 생겼는지 학습하고 나면, 신호가 숨어 있을 수 있는 영역을 보여줍니다. 만약 컴퓨터가 자신의 배경 모델과 일치하지 않는 것을 발견하면, 그것을 잠재적인 발견으로 표시합니다. 연구진은 이 시스템을 다양한 시나리오(두 개, 세 개, 네 개의 제트로 붕계하는 입자 및 이러한 붕괴의 복잡한 혼합물 포함)를 나타내는 시뮬레이션 데이터로 테스트했습니다. 그들은 새로운 질량 측정법과 이상 탐지 시스템의 결면이 이러한 신호를 포착하는 능력을 현저히 향상시킨다는 것을 발견했습니다.

결과는 특히 팀이 두 가지 다른 붕괴 모드가 섞여 있는 '블랙 박스 3(Black Box 3)'라는 도전적인 데이터셋을 살펴보았을 때 매우 놀라웠습니다. 이 테스트에서 새로운 방법은 주요 발견의 임계값인 5-시그마(five-sigma) 결과를 초과하는 확신 수준으로 신호를 식별해 냈습니다. 이는 동일한 데이터로 높은 확신 수준에 도달하는 데 어려움을 겪었던 이전의 시도들에 비해 상당한 진전이었습니다. 연구는 이 방법이 단일 유형의 붕괴이든 혼란스러운 혼합 유형이든 상관없이 견고하게 작동함을 보여주었습니다. 연구진은 시스템이 신호가 강할 때 가장 잘 작동하지만, 여에서도 전통적인 카운팅 방식보다 명확한 이점을 제공하여 발견에 필요한 이벤트 수를 상당한 차이로 줄여준다고 언급했습니다.

이 논문은 이 접근 방식이 새로운 물리학을 찾는 강력한 새로운 도구를 제공한다고 결론짓습니다. 데이터를 정화하는 방법과 이상한 것을 찾는 유연한 알고리즘을 사용함으로써, 과학자들은 이제 새로운 입자가 정확히 어떤 모습으로 나타날지 추측하지 않고도 이를 찾을 수 있습니다. 이 연구는 실제 충돌기의 실제 데이터에 적용되기 전 아이디어의 검증장 역할을 하는 입자 충돌의 컴퓨터 시뮬레이션을 사용하여 수행되었습니다. 저자들은 이 전략이 자연이 무엇을 드러내기로 결정하든 적응할 수 있는, 새로운 물리학 탐색의 표준적인 부분이 될 수 있다고 제안합니다. 또한 현재의 방법은 제트에 잘 작동하지만, 향후 연구를 통해 전자나 누락된 에너지(missing energy)와 같은 다른 유형의 입자까지 포함하도록 확장하여 발견할 수 있는 범위를 더욱 넓힐 수 있다고 지적합니다. 이 작업은 예측할 수 없는 것을 찾을 준비가 된, 더 개방적인 탐색을 향한 한 걸음을 의미하며, 입자가 몇 조각으로 부서지든 상관없이 그 신호를 찾아낼 수 있는 준비가 되어 있습니다.