LHC 충돌 데이터 재구성의 복잡성과 기존 알고리즘의 한계
- 대형강입자가속기(LHC)에서 발생하는 양성자-양성자 충돌은 다수의 입자를 방출하며, 물리학자들은 실제로 어떤 과정이 일어났는지 이해하기 위해 이 입자들을 정밀하게 재구성해야 함
- CMS 실험은 지난 10여 년간 ‘입자 흐름(PF)’ 알고리즘을 활용해 여러 검출기에서 얻은 정보를 결합, 충돌로 생성된 각 입자를 식별
- 기존 PF 알고리즘은 높은 성능을 보여왔으나, 물리학자들이 설계한 다수의 규칙과 단계적 논리에 의존하는 구조
머신러닝 기반 입자 흐름 알고리즘 개발
- CMS Collaboration은 머신러닝 기반 입자 흐름 알고리즘(MLPF)을 개발해, LHC 충돌을 전면적으로 재구성하는 데 머신러닝을 활용할 수 있음을 처음으로 입증
- 새로운 접근은 기존의 복잡한 수작업 규칙 체계를 단일 머신러닝 모델로 대체
- 해당 모델은 시뮬레이션된 충돌 데이터를 학습해, 검출기에서 관측되는 신호 패턴을 기반으로 입자를 인식
- 이는 명시적 규칙을 입력받는 대신, 사람이 얼굴을 인식하듯 데이터로부터 특징을 학습하는 방식
정밀도 향상·처리 속도 개선·차세대 LHC 대응
- 현재 LHC 가동 조건을 모사한 데이터로 성능을 비교한 결과, MLPF 알고리즘은 기존 PF 알고리즘과 동등하거나 일부 경우 이를 능가
- 특히 톱쿼크가 생성된 시뮬레이션 사건에서, 입자 다발(제트, jets)의 운동량 재구성 정밀도가 주요 구간에서 10~20% 향상
- 새로운 알고리즘은 그래픽처리장치(GPU)에서 효율적으로 작동 가능해, 기존 중앙처리장치(CPU) 기반 알고리즘 대비 훨씬 빠른 전체 충돌 재구성이 가능
- 연구진은 이러한 머신러닝 활용이 표준모형 정밀 검증 및 새로운 입자 탐색 등 CMS의 다양한 측정 성과 향상에 직접적으로 기여할 수 있을 것으로 전망
- 본 알고리즘은 현재 LHC 가동 조건에서 검증되었으며, 2030년 가동 예정으로 현재보다 약 5배 많은 충돌을 발생시킬 고광도 LHC 환경에서 더욱 큰 효과가 기대됨
- 연구진은 검출기가 데이터를 직접 학습하도록 하는 접근이 단순한 성능 개선을 넘어, 실험 입자물리학에서 가능한 연구 범위를 확장할 수 있다고 평가
