What the Primary Lund Plane Omits: A Model-Stitching Diagnosis of a Jet-Tagger Representation Gap

고에너지 입자 물리학의 고에너지 충돌 실험에서, 양성자들은 빛의 속도에 가깝게 서로 충돌하며 붕괴하여 '제트(jet)'라고 불리는 새로운 입자들의 분출물로 부서집니다. 자연의 근본적인 힘을 이해하기 위해, 물리학자들은 이 분출물들을 분류해야 합니다. 어떤 제트는 탑 쿼크(top quark)와 같은 무거운 입자로부터 오지만, 다른 제트는 단순히 가벼운 입자들로부터 발생하는 배경 잡음(background noise)일 뿐입니다. 문제는 이 분출물들이 육안으로 보기에는 매우 유사해 보인다는 점입니다. 수십 년 동안 과학자들은 이들을 구별하기 위해 두 가지 주요 전략에 의존해 왔습니다. 한 가지 접근법은 물리학에 대한 깊은 지식을 사용하여 제트의 내부 구조를 나타내는 단순화된 지도를 만드는 방식으로, 가장 결정적인 특징들을 수동으로 선택합니다. 다른 접근법은 가공되지 않은 데이터를 강력한 인공지능에 직접 입력하여, 컴퓨터가 스스로 패턴을 학습하게 합니다. 이러한 방법들은 이론상으로는 종종 유사한 결과를 내놓지만, 상황이 어려워질 때 매우 다른 방식으로 실패하곤 합니다. 질문은 이것입니다. 만약 물리 기반의 지도가 학습된 AI보다 성능이 떨어진다면, 그것은 지도 자체가 중요한 정보를 놓치고 있는 것입니까, 아니면 컴퓨터가 주어진 지도를 읽는 데 서툰 것입니까?

인도 공과대학교 칸푸르(IIT Kanpur)의 연구팀은 이 두 접근 방식 사이에 가교를 구축함으로써 이 수수께끼를 해결하고자 했습니다. 그들은 가공되지 않은 데이터로 훈련된 정교한 AI 모델과 단순화된 물리 지도로 훈련된 네트워크를 가져와, 이를 외과적으로 연결했습니다. 훈련된 두 뇌의 초기 층을 가져와 다른 뇌의 후기 층에 직접 배선하여, 하나의 학습 가능한 연결체를 통해 함께 작동하도록 강제하는 것을 상상해 보십시오. '모델 스티칭(model stitching)'이라고 알려진 이 기술을 통해 그들은 문제를 격리할 수 있었습니다. 그들은 단순화된 물리 지도가 본질적으로 약한 것인지, 아니면 그것을 읽는 AI가 단지 성능이 낮은 것인지를 테스트했습니다. 그들은 제트의 역사 중 가장 어려운 경로만을 따르며 주변의 부드러운 복사(radiation) 대부분을 의도적으로 무시하는 버전인, 특정하고 알려진 물리 지도의 한계를 대조군으로 사용했습니다.

결과는 명확하고 결정적이었습니다. 연구진이 강력한 AI에게 이 불완전하고 단순화된 지도를 읽도록 강제했을 때, AI의 성능은 크게 떨어졌으나 이는 AI가 이해하는 데 어려움을 겪었기 때문이 아니었습니다. 사실, AI는 단순화된 지도에서 자체적인 판독기만큼이나 많은 정보를 추출할 수 있었습니다. 결함은 판독기에 있었던 것이 아니라 지도 자체에 있었습니다. 단순화된 물리적 표현은 진정으로 정보가 누락되어 있었습니다. 연구진은 누락된 것이 정확히 무엇인지 찾아냈습니다. 실패는 거의 전적으로 무거운 탑 쿼크의 징후를 모방하는, 높은 질량과 많은 입자 수를 가진 아주 특정한 그룹의 배경 제트들에서 발생했습니다. 이 제트들은 단순화된 지도가 따르는 주 경로(main path)로부터 복사가 흩어져 있었고, 이로 인해 지도는 불완전한 그림을 갖게 되었습니다.

이 진단을 확인하기 위해, 연구팀은 제트 역사의 주 경로뿐만 아니라 모든 가지(branch)를 포함하도록 물리 지도를 재구축했습니다. 이 완전한 전체 트리(full-tree) 지도를 네트워크에 입력했을 때, 성능 격차는 70% 이상 좁혀졌습니다. 네트워크는 까다로운 배경 제트들을 훨씬 더 잘 거부할 수 있게 되었습니다. 그러나 네트워크가 실제로 이 정보를 어떻게 사용하는지에 대한 더 깊은 조사에서 놀라운 반전이 드러났습니다. 네트워크가 완전한 지도로 훈련된 후, 그것은 최종 결정을 내릴 때 거의 전적으로 원래의 주 경로에 의존했습니다. 만약 연구진이 최종 테스트 중에 추가적인 가지들을 제거한다면, 네트워크의 성능은 거의 변하지 않았습니다. 하지만 만약 주 경로를 제거한다면, 네트워크는 붕괴했습니다. 이는 추가적인 가지들이 네트워크가 마지막에 읽는 새로운 사실들을 공급하는 것이 아니라, 오히려 학습 과정 중에 유용한 표현을 구축하는 방법을 이해하는 데 필수적이었다는 것을 시사합니다.

연구는 또한 그 주 경로를 따라 가장 중요한 정보가 어디에 위치하는지도 살펴보았습니다. 그들은 무거운 탑 쿼크를 식별하는 데 있어, 제트 역사의 맨 처음 단계인 가장 넓은 각도의 분열(split)이 거의 모든 비중을 차지한다는 것을 발견했습니다. 이 단일 단계는 무거운 입자의 붕괴 각도에 해당하며, 체인의 다른 어떤 단계보다 훨씬 더 큰 가치를 지녔습니다. 이러한 패턴은 다른 유형의 입자 식별에서도 나타났으나, 그 효과는 훨씬 약했습니다. 연구진은 또한 세 점 사이의 관계를 동시에 볼 수 있는 능력(두 점 사이의 관계가 아닌)을 가진 더 복잡한 유형의 AI가 단순화된 지도의 누락된 정보를 보완할 수 있는지 테스트했습니다. 결과는 그러지 못했습니다. 이 고급 판독 능력을 갖추었음에도 불구하고, 네트워크는 전체 지도가 제공하는 잃어버린 정보를 회복할 수 없었습니다.

궁극적으로, 이 연구는 물리 기반 모델과 가공되지 않은 데이터 AI 사이의 간극이 AI의 학습 능력 실패가 아니라, 단순화된 물리적 표현의 진정한 정보 부족임을 보여줍니다. 누락된 조각은 전통적인 방식에 의해 버려지는 '경로 밖(off-path)'의 복사입니다. 최종 결정은 주로 주 구조 경로에 의존하지만, 그 경로는 네트워크가 제트의 완전하고 무질서한 현실을 바탕으로 훈련되었기 때문에 강력해질 수 있는 것입니다. 이 연구는 이러한 모델들이 어디에서 성공하고 어디에서 실패하는지에 대한 정밀한 지도를 제공하며, 그 차이가 기계의 지능이 아니라 데이터 자체에 있음을 보여줍니다.