QCD 기반 재귀 신경망으로 입자 제트 분석

본 논문은 입자 물리학에서 핵심적인 분석 대상인 제트를 머신러닝으로 다루는 새로운 패러다임을 제시한다. 기존의 이미지‑베이스 접근법은 입자들의 4‑모멘텀을 η–φ 평면에 픽셀화하여 CNN에 입력하는 방식으로, 정보 손실과 높은 파라미터 수, 대규모 데이터 요구라는 문제점을 안고 있었다. 저자들은 이러한 한계를 극복하기 위해 QCD와 자연어 처리(NLP)의 구조적 유사성을 이용한다. 구체적으로, 제트 클러스터링 알고리즘이 생성하는 이진 트리를 문장의 구문 트리와 동일시하고, 입자 4‑모멘텀을 단어에 비유한다. 이를 기반으로 두 단계의 재귀 신경망 구조를 설계한다. 첫 번째 단계는 ‘제트 임베딩’이다. 입력 입자 집합 e={v_i}를 선택한 클러스터링 알고리즘(kₜ, C/A, anti‑kₜ 등)으로 이진 트리 t_j에 매핑한다. 트리의 리프 노드는 개별 입자를, 내부 노드는 두 자식 노드의 합성 결과를 나타낸다. 각 노드 k에 대해 공유 파라미터 Wₕ, bₕ, W_u, b_u를 사용해 다음과 같이 임베딩을 계산한다. - 입자(리프)인 경우, 4‑모멘텀 v_i를 선형 변환 후 ReLU를 적용해 중간 표현 u_k를 만든다. - 내부 노드인 경우, 좌·우 자식 임베딩 h_{kL}, h_{kR}와 u_k를 결합해 h_k = σ( Wₕ·