LCFIVertex 패키지를 활용한 플레버 태깅 최적화 연구

초록

본 연구는 LDCPrime 02Sc와 ILD 00 두 detector 모델에 대해 LCFIVertex 패키지를 이용한 플레버 태깅 성능을 평가하고, 트랙 선택 파라미터와 ILC 빔 배경이 태깅 효율에 미치는 영향을 조사한다. 공동 확률 파라미터와 신경망 재학습을 통해 b‑tag, c‑tag, bc‑tag의 효율‑순도 곡선을 개선했으며, 빔 노이즈가 추가된 VXD 환경에서도 기존 트랙 선택이 크게 성능 변화를 일으키지 않음을 확인하였다.

상세 분석

본 논문은 LCFIVertex 패키지의 핵심 모듈인 ZVTOP P 정점 찾기, 신경망 기반 플레버 태깅, 그리고 정점 전하 재구성을 종합적으로 활용하여 LDCPrime 02Sc(detector model)와 ILD 00(detector model)의 플레버 태깅 성능을 정량적으로 비교한다. 우선 e⁺e⁻ → Z → q={u,d,s,c,b} 이벤트를 √s = 91.2 GeV에서 Pythia로 생성하고, ilcs soft v01‑03‑06‑p02를 통해 전반적인 시뮬레이션 및 이벤트 재구성을 수행하였다.

핵심적인 파라미터 튜닝은 ‘joint probability’ 값에 집중되었다. 이는 트랙이 기본점(primary vertex)으로부터 병합될 확률을 나타내며, 신경망 입력 변수로 직접 사용된다. Table 1에 제시된 r‑φ와 z 방향의 joint probability 파라미터(p₁~p₅)는 LDCPrime 02Sc에 최적화된 값으로, 기존 TESLA 기반 파라미터와 비교했을 때 재학습된 신경망이 b‑tag, c‑tag, bc‑tag 모두에서 효율‑순도 면에서 현저히 향상된 것을 Figure 1이 보여준다.

다음 단계에서는 트랙 선택 기준을 세밀히 조사하였다. 트랙의 d₀, z₀ 및 그 오차, χ²/ndf, p_T 등을 독립적으로 변동시켜 primary vertex(ipfit)와 secondary vertex(zvres) 재구성에 미치는 영향을 평가하였다. Table 2에 제시된 ‘Preliminary track selections’는 각 파라미터에 대한 상한·하한 값을 정의하고, 이를 적용했을 때 플레버 태깅 성능이 소폭 개선되는 정도를 확인하였다.

빔 배경(noise hits) 효과는 VXD 레이어당 100, 10, 4, 1, 1개의 노이즈 히트를 삽입하여 시뮬레이션하였다. Figure 2는 노이즈가 포함된 경우와 없는 경우의 b‑tag, c‑tag, bc‑tag 효율‑순도 곡선을 비교한다. 결과는 기존 트랙 선택이 빔 노이즈에 대해 강인함을 보였으며, 추가적인 최적화가 필요함을 시사한다.

마지막으로 ILD 00 모델과 LDCPrime 02Sc 모델을 직접 비교하였다. ILD 00은 GLD 컨셉을 기반으로 3개의 이중 레이어를 사용하고, LDCPrime 02Sc는 5개의 단일 레이어를 갖는다. 현재 ILD 00에 대해 별도의 신경망 재학습이 이루어지지 않았으므로 LDCPrime 02Sc용 신경망을 그대로 적용하였다. Figure 3은 두 모델 간 b‑tag, c‑tag, bc‑tag 성능 차이를 보여주며, ILD 00이 약간 낮은 효율을 보이지만 전반적인 트렌드는 유사함을 확인한다.

전반적으로 본 연구는 LCFIVertex의 파라미터 튜닝, 신경망 재학습, 그리고 트랙 선택 최적화가 플레버 태깅 성능에 미치는 영향을 체계적으로 분석하였다. 특히 joint probability 파라미터와 신경망 재학습이 가장 큰 성능 향상을 가져왔으며, 빔 배경에 대한 강인성은 기존 트랙 선택이 충분히 효과적임을 보여준다. 향후 연구에서는 ILD 00 전용 신경망 학습과, 빔 노이즈를 억제할 수 있는 새로운 트랙 선택 변수(예: 시간 정보 기반 필터링) 등을 탐색할 필요가 있다.