Calibration of electromagnetic shower features in the CMS calorimeter with machine-learning techniques

고에너지 물리학의 세계에서 과학자들은 단순히 입자를 관찰하는 것이 아니라, 적어도 그들의 머릿속에서는 입자를 만들어냅니다. 양성자가 빛의 속도에 가깝게 충돌할 때 어떤 일이 일어나는지 이해하기 위해, 연구자들은 방대한 컴퓨터 시뮬레이션에 의존합니다. 이 디지털 모델은 현실을 비추는 거울 역할을 하며, 입자가 어떻게 행동해야 하는지, 어떻게 산란되어야 하는지, 그리고 검출기에 어떤 흔적을 남겨야 하는지를 예측합니다. 만약 시뮬레이션이 실제 실험 데이터와 일치한다면, 과학자들은 그 모델을 통해 우주의 비밀을 밝혀낼 수 있다고 믿을 수 있습니다. 하지만 만약 시뮬레이션이 조금이라도 어긋난다면—예를 들어 입자가 에너지를 쏟아내는 방식이나 검출기 물질과 상호작하는 방식을 잘못 표현한다면—그 작은 오류는 커다란 실수로 번져 새로운 발견을 숨기거나 가짜 발견을 만들어낼 수 있습니다. 목표는 언제나 디지털 거울을 최대한 완벽하게 만드는 것입니다. 그래야만 과학자가 데이터에서 신호를 발견했을 때, 그것이 실제 신호인지 아니면 단지 코드의 결함인지를 알 수 있기 때문입니다.

이것이 바로 CERN의 컴팩트 뮤온 솔레노이드(CMS) 검출기를 사용하는 물리학자 팀인 CMS 협력단이 직면한 과제입니다. 최근 한 연구에서 그들은 지속적인 문제 하나를 다루었습니다. 바로 전자기 샤워(전자와 광자에 의해 생성되는 에너지 폭포)에 대한 그들의 컴퓨터 시뮬레이션이 2022년 양성자-양성자 충돌 중에 수집된 실제 데이터와 완벽하게 일치하지 않는다는 점이었습니다. 불일치는 미묘했지만 유의미했습니다. 특히 에너지 침적의 형태와 입자가 주변 환경으로부터 얼마나 고립되어 있는지의 측면에서 그러했습니다. 이를 해결하기 위해 연구팀은 물리 모델을 대체하기 위해서가 아니라, 시뮬레이션이 실제 모습처럼 보이도록 가르치기 위해 머신러닝을 활용했습니다. 그들은 디지털 이벤트를 재보정하기 위해 두 가지 구별된 방법을 개발했으며, 이는 데이터를 분석하기 전에 컴퓨터가 스스로의 실수를 수정하도록 훈련시키는 과정이었습니다.

연구진은 깨끗하고 잘 이해된 이벤트 샘플인 Z 보손이 전자와 양전자 쌍으로 붕괴하는 현상에서 시작했습니다. 이러한 특정 이벤트를 선택함으로써, 다른 입자 상호작용의 노이즈로부터 자유로운 순수한 전자기 샤워의 흐름을 분리해 낼 수 있었습니다. 그런 다음 그들은 시뮬레이션된 샤워의 특징을 CMS 검출기에서 관측된 실제 데이터의 특징과 비교했습니다. 데이터는 중심 질량 에너지 13.6 테라전자볼트(TeV)에서의 26.7 페미토바른(fb⁻¹) 충돌 데이터였습니다. 시뮬레이션은 전반적으로 훌륭했지만, 에너지가 검출기 결정(crystal) 전체로 퍼지는 방식과 에너지가 주변 영역으로 누출되는 양에서 편차를 보였습니다. 이러한 차이는 입자 식별 알고리즘(신호가 실제 전자인지 아니면 배경 모사 입자인지를 결정하는 알고써리즘)에 약간 잘못된 정보가 입력되고 있음을 의미했습니다.

이 간극을 메우기 위해 연구팀은 두 가지 서로 다른 머신러닝 기법을 적용했습니다. 첫 번째 접근법인 '재가중치 부여(reweighting)'는 모든 개별 시뮬레이션 이벤트에 새로운 중요도 점수를 할당하는 방식으로 작동합니다. 교사가 학생들에게 특정 설명에 부합하면 손을 들라고 요청하는 교실을 상상해 보십시오. 만약 시뮬레이션에 해당 설명에 부합하는 학생이 실제 학급에 비해 너무 적다면, 교사는 그 소수의 학생들에게 두 명 또는 세 명으로 계산하라고 지시합니다. 마찬가지로, 머신러닝 분류기는 시뮬레이션과 실제 데이터를 구분하는 법을 배웠습니다. 그런 다음 분류기는 비율을 계산하여, 시뮬레이션에 "이 이벤트는 실제 데이터와 비슷해 보이니 더 많이 계산하라"거나 "이 이벤트는 너무 달라 보이니 적게 계산하라"고 효과적으로 지시했습니다. 이 방법은 이벤트 자체를 바꾸지 않으면서 각 이벤트가 발생할 확률을 조정하여, 복잡하고 고차원적인 특징 공간 전체에 적용될 수 있는 연속적인 보정을 만들어냈습니다.

두 번째 방법인 '노멀라이징 플로우(normalizing flow)'는 더 직접적인 경로를 택했습니다. 단순히 이벤트의 중요도를 바꾸는 대신, 이 기법은 시뮬레이션 내 특징값들을 물리적으로 변경합니다. 이 기술은 시뮬레이션된 샤워의 분포를 실제 샤워의 분포로 변형할 수 있는 수학적 변환을 학습합니다. 만약 시뮬레이션된 샤워가 너무 좁다면 플로우는 이를 늘릴 것이고, 만약 너무 고립되어 있다면 플로우는 이를 이웃들과 더 가깝게 만들 것입니다. 이 과정은 마치 찰흙을 빚는 것과 같습니다. 재료는 그대로 유지되지만, 그 형태는 틀에 맞게 조정됩니다. 결정적으로, 이 변환은 입자의 운동량이나 위치와 같은 운동학적 특성에 조건부로 학습되었으며, 이를 통해 입자가 어디에 있든 혹은 얼마나 빠르게 움직이든 상관없이 보정이 올바르게 적용되도록 보장했습니다.

두 방법 모두 훈련 과정에서 보지 못한 별도의 데이터 세트로 테스트되었습니다. 결과는 놀라웠습니다. 보정 전에는 시뮬레이션된 입자 식별 점수가 실제 데이터와 명확한 불일치를 보였으며, 특히 희귀한 이벤트가 발생하는 분포의 꼬리 부분에서 그러했습니다. 재가중치 부여 또는 노멀라이징 플로우 보정을 적용한 후에는 시뮬레이션과 데이터 사이의 일치도가 극적으로 향가되었습니다. 분포의 형태가 정렬되었고, 이전에는 과학적 측정에서 큰 안전 마진을 필요로 했던 불일치들이 크게 줄어들었습니다. 연구진은 두 기법 모두 개별 변수뿐만 아니라 변수 간의 복잡한 상관관계까지 포착하며 고차원 특징 공간을 성공적으로 보정했음을 발견했습니다.

그러나 두 방법은 서로 다른 강점과 한계를 가지고 있었습니다. 재가중치 부여 방식은 이벤트 값을 건드리지 않고 가중치를 조정하면서 시뮬레이션의 전체 구조를 보존하는 데 탁격적이었지만, 시뮬레이션과 데이터가 매우 다른 영역에서는 큰 가중치 보정이 발생하여 샘-플의 통계적 성능을 저하시키는 문제를 겪기도 했습니다. 어떤 경우에는 팀이 이러한 큰 변동을 방지하기 위해 훈련에서 특정 특징들을 제외해야 했습니다. 반면, 노멀라이징 플로우 방식은 데이터를 직접 재형성함으로써 큰 불일치를 더 유연하게 처리할 수 있었지만, 보정된 특징들을 입자 식별 알고리즘을 통해 다시 평가해야 한다는 단계가 추가되었습니다. 또한, 재가중치 부여 방식은 이벤트 값을 그대로 두어 물리 법칙을 자연스럽게 보존하는 반면, 노멀라이징 플로우 방식은 물리적으로 불가능한 구성을 만들지 않도록 주의 깊게 모니터링해야 했습니다. 다만 연구팀은 이 특정 응용 분야에서 그 위험이 무시할 만한 수준임을 확인했습니다.

이 연구는 머신러닝 기법이 오직 시뮬레이션된 가상 데이터에만 의존했던 이전의 테스트를 넘어, 실제 충돌 데이터에 성공적으로 적용될 수 있음을 입증했습니다. 시뮬레이션을 데이터에 맞게 보정함으로써, 연구진은 이러한 측정에서 흔히 발생하는 계통 불확실성을 줄일 수 있음을 보여주었습니다. 이는 힉스 보손이 두 개의 광자로 붕데하는 현상을 찾는 것과 같은 미래의 분석이 더 높은 정밀도로 수행될 수 있음을 의미합니다. 또한 이 작업은 시뮬레이션이 어디에서 실패하는지를 식별하는 것의 중요성을 강조했습니다. 알고리즘이 요구한 큰 보정값들은 하드론 칼로리미터의 노이즈 임계값과 같이 검출기 모델링의 특정 영역을 직접 가리켰으며, 연구팀은 이를 통해 향후 시뮬레이션 반복을 위한 수정 사항을 파악할 수 있었습니다.

궁극적으로 이 연구는 입자 물리학자들에게 새로운 도구 상자를 제공합니다. 이는 머신러닝이 단순히 입자를 분류하는 것을 넘어, 시뮬레이션이 묘사하고자 하는 현실에 대해 더 정직해지도록 가르치는 교정 도구로서 기능할 수 있음을 보여줍니다. 연속적이고 언빈드(unbinned)된 보정을 고차원 공간 전체에 제공함으로써, 이 방법들은 단순한 빈 기반(binned) 조정을 넘어 복잡한 데이터의 미묘한 차이를 놓치지 않게 해줍니다. CMS 검출기에서의 성공은 이러한 기법들이 분석 체인의 표준적인 부분이 되어, 새로운 물리학을 찾는 탐색의 초점을 날카롭게 하고 과학자들이 발견하는 신호가 최대한 명확하고 신뢰할 수 있도록 돕는다는 것을 시사합니다. 논문은 이 방법들이 강력하지만, 디지털 거울이 우주의 충실도를 최대한 반영할 수 있도록 데이터의 성격과 각 방법의 한계를 이해하며 주의 깊게 적용되어야 한다고 결론짓습니다.