GNN-based track reconstruction for MUonE experiment

현대 물리학의 광활한 풍경 속에서, 과학자들은 그들의 가장 성공적인 이론인 표준 모델의 토대에 있는 균열을 끊임없이 탐색하고 있습니다. 이 이론은 우주가 가장 작은 규모에서 어떻게 작동하는지를 보여주는 규칙책 역할을 하지만, 몇 가지 심오한 질문들을 해결하지 못한 채 남겨두고 있습니다. 가장 지속적인 미스터리 중 하나는 전자와 비슷하지만 훨씬 더 무거운 입자인 뮤온과 관련이 있습니다. 수십 년 동안 실험들은 이 입자가 자기장 안에서 어떻게 흔들리는지, 즉 '이상 자기 모멘트'라고 알려진 성질을 측정해 왔습니다. 측정값들은 표준 모델이 예측하는 바와 일지 소소하고도 완고한 차이를 일관되게 보여줍니다. 이 간극은 알려지지 않은 힘이나 입자들이 뮤온에 영향을 미치고 있음을 시사하며, 이는 발견되기를 기다리고 있는 더 깊은 층위의 현실을 암시합니다. 그러나 이를 확증하기 위해 물리학자들은 특정 입자와 공간의 진공 사이의 상호작용으로부터 오는 기여도를 계산해야 하며, 극도로 정밀하게 그 효과를 측정해야 합니다. 이 계산은 전통적인 수학 방식으로 수행하기에는 매우 까다롭기로 유명하기 때문에, 뮤온이 전자와 산란되는 현상을 관찰하여 이를 직접 측정하려는 MUonE라는 새로운 실험이 제안되었습니다.

MUonE 실험의 과제는 단순히 물리학적인 문제뿐만 아니라, 처리해야 하는 엄청난 양의 데이터에 있습니다. 이 실험은 매초 4,000만 번의 속도로 뮤온 빔을 표적에 발사할 것입니다. 이 속도에서 컴퓨터 시스템은 순식간에 어떤 충돌이 흥미로운 사건이고 어떤 것이 단순한 배경 잡음인지 결정해야 합니다. 만약 시스템이 너무 느리다면, 새로운 물리학을 드러낼 수 있는 희귀한 사건들을 놓치게 될 것입니다. 반대로 필터링을 너무 공격적으로 한다면, 과학자들이 찾고 있는 바로 그 신호를 버려버릴 수도 있습니다. 이 데이터를 분류하는 전통적인 방식은 실리콘 센서에 남겨진 미세한 신호들로부터 입자의 경로를 재구성하려고 시도하는 복잡하고 단계적인 알고리즘들을 포함합니다. 이 방법은 정확하지만, 계산량이 매우 많아 빔의 끊임없는 속도를 따라가는 데 어려움을 겪습니다. 이를 해결하기 위해 폴란드의 연구진은 선형적인 명령 목록이 아닌 연결의 네트워크처럼 생각하도록 설계된 다른 종류의 지능에 주목했습니다.

연구진은 객체 간의 관계를 이해하는 데 탁월한 인공지능의 한 종류인 그래프 신경망(Graph Neural Network)을 사용하는 새로운 방법을 개발했습니다. 데이터를 숫자의 격자나 그림으로 취급하는 대신, 이 시스템은 입자 검출기를 점과 선으로 이루어진 지도로 간다 봅니다. 각 점은 입자가 센서에 부딪힌 위치를 나타내며, 선은 그 충돌들을 연결하는 가능한 경로를 나타냅니다. 네트워크의 임무는 어떤 선이 입자가 지나간 실제 경로이고 어떤 것이 단순한 우연한 일치인지를 파악하는 것입니다. 전통적인 접근 방식에서는 컴퓨터가 가능한 모든 경로를 구축한 다음 그것이 타당한지 확인하려 할 수 있는데, 이는 입자의 수가 증가함에 따라 불가능할 정도로 느려지는 과정입니다. 그러나 새로운 시스템은 전체 연결망을 한꺼번에 살펴보며, 유효한 입자 궤적의 특정한 형태를 인식하도록 학습합니다.

이 아이디어를 테스트하기 위해 연구진은 센서의 특정 배치와 뮤온 및 전자의 거동을 포함하여 MUonE 실험의 조건을 모사한 시뮬레이션 데이터를 사용했습니다. 그들은 수천 개의 이러한 시뮬레이션 이벤트로 네트워크를 훈련시켜, 입자의 실제 경로와 가짜 연결을 구별하도록 가르쳤습니다. 결과는 놀라웠습니다. 네트워크는 1% 미만의 오차율로 올바른 경로를 성공적으로 식별해 냈는데, 이는 기존의 최선인 전통적 방법들과 일치하는 정확도 수준입니다. 더 중요한 것은, 이 작업이 믿기 힘들 정도로 빠르게 수행되었다는 점입니다. 기존 알고리즘이 강력한 컴퓨터에서 초당 약 3,400개의 이벤트를 처리할 수 있었던 반면, 새로운 신경망은 초당 31,000개 이상의 이벤트를 처리했습니다. 이는 10배의 속도 향상을 의미하며, 병목 현상을 원활한 흐름으로 효과적으로 전환했습니다.

단순히 경로를 찾는 것을 넘어, 연구진은 이 시스템이 입자 자체를 구별할 수 있다는 점 또한 보여주었습니다. 전자는 뮤온보다 훨씬 가볍기 때문에 충돌 시 더 날카로운 각도로 튕겨 나갑니다. 네트워크는 이러한 산란각의 미묘한 차이를 포착하는 법을 배웠으며, 궤적이 전자로부터 온 것인지 뮤온으로부터 온 것인지를 정확하게 식별해 냈습니다. 이러한 식별 사례에서 약 12%의 오류가 발생하긴 했지만, 아직 초기 단계인 시스템임을 고려할 때 이 정도의 성능은 유망한 수준입니다. 경로 재구성과 입자 식별을 동시에 수행할 수 있는 능력은 이 접근 방식이 데이터 분석 파이프라인의 여러 별개 단계들을 대체할 수 있음을 시사합니다.

이 연구의 의의는 고에너지 물리학 실험이 운영되는 방식을 변화시킬 잠재력에 있습니다. 복잡한 데이터 분류 작업을 실험이 끝난 후 결과를 분석하는 '오프라인' 단계에서, 실시간으로 결정을 내리는 '온라인' 단계로 옮김으로써, MUonE 실험은 필요한 희귀 사건들의 훨씬 더 크고 깨끗한 샘플을 포착할 수 있습니다. 연구진은 자신들의 결과가 시뮬레이션에 기반하고 있지만, 이 방법이 실험의 다가오는 테스트 실행 중에 수집될 실제 데이터에 대해 테스트될 준비가 되어 있다고 강조합니다. 만약 이 시스템이 시뮬레이션에서 그랬던 것처럼 실제 데이터에서도 동일한 성능을 보여준다면, 이는 뮤온의 흔들림에 관한 미스터리를 마침내 해결하고, 현재의 이해를 넘어서는 새로운 물리학으로 향하는 창을 여는 데 필요한 속도와 정밀도를 제공할 수 있을 것입니다.