Goodness-of-fit for multi-distribution neutrino cross-section measurements with shared events

기술 요약: 공유된 이벤트를 포함하는 다중 분포 뉴트리노 단면적 측정의 적합도 검정

문제 정의
현대적인 뉴트리노 단면적 분석은 단일한 공통 이벤트 샘플로부터 여러 미분 분포를 추출하는 경향이 있습니다 (예: MicroBooNE의 양성자 유무에 따른 최종 상태 측정, 또는 다중 미분 QE-like 단면적). 이러한 분석에서는 동일한 물리적 이벤트가 여러 분포에 동시에 기여합니다. 이러한 "이벤트 공유(event-sharing)" 구조는 서로 다른 분포 간의 빈(bin) 개수 사이에 정확한 선형 제약을 부과합니다. 예를 들어, 선택된 모든 이벤트가 각 분포에서 정확히 하나의 빈을 점유한다면, 분포 간의 총 이벤트 수는 동일해야 합니다.

이러한 제약은 측정의 유효 차원을 전체 빈의 수보다 낮게 만듭니다. 결과적으로 통계적 공분산 행렬($C_{stat}$)은 분산이 0인 영 공간(null space)을 갖는 랭크 결핍(rank deficiency) 상태가 됩니다. 제한된 수치 정밀도로 인해 공분산 행렬이 완전히 특이 행렬(singular matrix)이 되지 않아 역행렬 계산은 가능할 수 있지만(시스템 불확실성이 이 영 방향들을 작은 비제로 분산으로 "들어 올릴" 수 있음), 표준적인 전역 적합도 검정(예: $\chi^2$)은 실패하게 됩니다. 예측값이 데이터와 비교될 때, 제약된 방향을 따르는 작은 잔차(residual)가 거의 0에 가까운 분산으로 나누어지게 됩니다. 이는 $\chi^2$ 통계량에 임의로 큰, 비물리적인 기여를 유발하여 전체 값을 팽창시키고, 올바른 모델을 잘못 거부하게 만듭니다. 또한, 랭크 결핍을 무시하면 자유도가 부정확하게 계산됩니다.

방법론
저자들은 독립적인 통계적 정보를 담고 있는 부분 공간으로 적합도 검정을 제한하도록 설계된 "범위 투영 $\chi^2$(range-projected $\chi^2$)" 검정 통계량을 제안합니다. 방법론은 다음과 같습니다:

1. 제약 식별: 저자들은 조합 행렬($\Omega$)을 사용하여 제약을 공식화합니다. $\Omega$의 각 행은 모든 분포에 걸쳐 이벤트가 점유하는 빈을 설명하는 고유한 지시 벡터(indicator vector)를 나타냅니다. $\Omega$의 랭크는 측정 공간의 독립적인 방향 수를 결정합니다. 영 방향의 수는 $N_{null} = N_{bins} - \text{rank}(\Omega)$로 정의됩니다.
2. 영 공간의 분해: 저자들은 $N_{null}$을 두 가지 구성 요소로 분해합니다:
   • 구조적 영 공간 ($N_{null}^{struct}$): 빈 경계(bin edges)와 블록의 위상(topology)에 의해 사전 결정되는 것으로, 특정 이벤트 샘플과는 독립적입니다.
   • 운동학적 영 공간 ($N_{null}^{kinem}$): 위상 공간 점유(예: 단면적 억제나 검출기 수용도 때문에 물리적으로는 허용되지만 비어 있는 위상 공간 영역)로 인해 발생하는 것입니다. 이 구성 요소는 몬테카를로(MC) 이벤트-빈 매핑으로부터 결정됩니다.
3. 투영기 구축: 저자들은 공분산의 범위(영 공간에 직교하는 부분 공간)로 향하는 직교 투영기($P_{reco}$)를 구축합니다. 이는 $\Omega^T\Omega$의 고유값 분해를 통해 비제로 고유값(물리적 방향)과 제로 고유값(제약된 방향)을 분리함으로써 달성됩니다.
4. 검정 통계량 정의: 범위 투영 $\chi^2$는 재구성 공간(reconstructed space)에서 다음과 같이 정의됩니다:
   $$\chi^2_{proj} = \delta^T (P_{reco} C_{total} P_{reco})^+ \delta$$
   여기서 $\delta$는 잔차 벡터, $C_{total}$은 전체 공분산 행렬이며, $(\cdot)^+$는 무어-펜로즈 유사 역행렬(Moore–Penrose pseudoinverse)을 나타냅니다. 실질적으로, 이는 전체 행렬에 대한 유사 역행렬을 구할 필요 없이, 비-영 고유벡터들이 형성하는 $r = N_{bins} - N_{null}$ 차원으로 문제를 축소하여 계산됩니다.

주요 기여
본 논문은 두 가지 주요 기여를 합니다:

1. 이론적 통찰: 공분산 행렬의 랭크 결핍이 단순한 수치적 오류가 아니라, 공유된 이벤트 측정 설계의 예측 가능한 구조적 결과임을 입증합니다. 제약된 방향은 이벤트 보존에 의해 고정된 빈들의 선형 결합에 해당하며, 이는 해당 방향에 대해 데이터가 통계적 힘을 갖지 못함을 의미합니다.
2. 규정적 알고리즘: 독립적인 방향의 수($N_{null}$)를 사전에 결정할 수 있는 방법을 제공합니다. 여기에는 빈 경계로부터 구조적 기여를 직접 결정하는 알고리즘(부록 A)과 이벤트 샘플로부터 운동학적 기여를 식별하는 절차가 포함됩니다. 이를 통해 시스템 불확실성이 포함된 공분산 행렬에 임의의 고유값 임계값을 적용하지 않고도 자유도를 정확하게 결정할 수 있습니다.

결과
본 방법론은 두 가지 별도의 연구를 통해 검증되었습니다:

1. 해석적 토이 모델: 3-블록 빈닝 체계(총 22개 빈)를 가진 뮤온 중성미자 전하 전류 QE-like 상호작용 시뮬레이션에서 5개의 영 방향이 발견되었습니다.
   • 투영되지 않은 $\chi^2$ (22 자유도 사용)는 기대값인 22보다 현저히 높은 30.6의 평균값을 나타냈으며, 5% 유의 수준에서 32.4%의 잘못된 거부율을 보였습니다.
   • 범위 투영 $\chi^2$ (17 자유도 사용)는 기대 $\chi^2(17)$ 분포와 일치하는 17.23의 평균값을 나타냈으며, 5.7%의 잘못된 거부율을 보였습니다.
   • 투영된 통계량을 사용한 파라미터 추정은 올바른 빈도론적 커버리지(frequentist coverage)와 함께 실제 파라미터 값을 회복했으나, 투영되지 않은 통계량은 편향된 결과와 심각한 과소 커버리지(undercoverage)를 생성했습니다.
2. 이벤트 생성기 연구: GENIE 및 NuWro 생성기를 사용한 현실적인 뉴트리노-아르곤 단면적 측정 시뮬레이션(언폴딩(Wiener-SVD) 및 다중 소스 계통 불확실성 포함)을 수행했습니다.
   • 이 연구에서는 5개의 영 방향(구조적 4개, 운동학적 1개)을 식별했습니다.
   • 투영되지 않은 통계량은 올바른 모델(NuWro)과 잘못된 모델(GENIE)을 모두 거부하여 변별력을 상실했습니다.
   • 투영된 통계량은 올바른 모델을 정상적으로 수용하였고($\chi^2 = 15.7/16$), 잘못된 모델을 강력하게 거부하여($\chi^2 = 154.4/16$) 교정 능력과 변별력을 모두 회복했습니다.
   • 투영이 언폴딩 전에 적용된다면, 재구성 공간 또는 언폴딩된 공간 중 어디에서 계산하더라도 동일한 수치 값을 얻음을 확인했습니다.

의의 및 범위
본 논문은 다중 분포 측정이 공유된 이벤트를 사용하는 방식으로 표준화됨에 따라, 모델 튜닝 및 생성기 비교를 위해 정확하게 교정된 전역 적합도 검정이 필수적이라고 주장합니다. 범위 투영 $\chi^2$는 이미 발표된 측정치에도 적용 가능한, 공개된 공분산, 빈닝, 응답 행렬만을 필요로 하는 가벼운(lightweight) 사전 해결책을 제공합니다.

저자들은 이 방법이 정확한 이벤트 공유 가정을 기반으로 한다는 점을 명시합니다. 만약 분포들이 서로 다른 위상 공간 한계, 배경 차감 또는 신호 정의를 사용한다면, 제약은 근사치가 됩니다. 이 경우 영 방향은 작은 실제 분산을 갖게 됩니다. 이때 제약이 불완전해질 수 있습니다. 논문은 구조적 랭크와 경험적 랭크를 비교하거나 스펙트럼 갭(spectral gap)을 확인하는 진단법을 제공하여 불완전한 공유를 감지하는 방법을 제시합니다. 공유가 정확하지 않은 경우, 구조적 투영이 제약을 과다하게 계산할 수 있으며, 이럴 때는 binned likelihood fit(제약을 자동으로 흡수함)과 같은 대안적 접근 방식이 더 적절할 수 있습니다. 그러나 정확한 공유를 목적으로 설계된 측정의 경우, 투영법은 비물리적인 적합도 지표 팽창을 피하기 위한 필수적인 교정책으로 제시됩니다.