RooStats 프로젝트 LHC 데이터 분석을 위한 고급 통계 도구

초록

RooStats는 LHC 실험 데이터의 발견, 신뢰구간 설정, 결합 측정을 지원하는 고급 통계 프레임워크이다. RooFit 위에 C++ 클래스 집합을 제공해 모델과 데이터셋에 독립적인 일관된 인터페이스를 구현한다. 빈도주의, 베이지안, 프로파일 가능도 등 다양한 통계 방법을 클래스 형태로 캡슐화하여 다중 파라미터와 복잡한 시스템atics를 손쉽게 다룰 수 있다.

상세 분석

RooStats는 ROOT 기반의 RooFit 라이브러리를 기반으로 설계되어, 확률 모델 정의와 데이터 적합을 위한 풍부한 기능을 그대로 활용한다. 핵심 설계 원칙은 “모델 독립성”과 “인터페이스 일관성”이며, 이를 위해 모든 통계 메서드는 공통 베이스 클래스인 RooStats::Calculator 와 RooStats::Interval 또는 RooStats::HypothesisTestResult 와 같은 결과 객체를 상속한다.
첫 번째 주요 구성 요소는 구간 추정이다. 여기에는 프로파일 가능도 비율(PLR) 기반의 LikelihoodInterval, Feldman‑Cousins 구간, Bayesian CredibleInterval, Hybrid Frequentist – Bayesian 방법을 구현한 HybridCalculator 등이 포함된다. 각 클래스는 파라미터 관심도와 nuisance 파라미터를 명시적으로 구분하고, RooFit 의 RooRealVar 와 RooArgSet 을 통해 자동으로 프로파일링하거나 마진화한다.
두 번째는 가설 검정이다. RooStats 는 SimpleHypothesisTest (단일 가설), ProfileLikelihoodTestStat (가능도 비율), Markov‑Chain Monte‑Carlo (MCMC) 기반 Bayesian 테스트, HybridCalculator (빈도주의와 베이지안을 혼합) 등을 제공한다. 특히 HybridCalculator 는 pseudo‑experiment 를 이용해 p‑value 를 추정하고, 시스템atics 를 nuisance 파라미터의 사전분포로 모델링해 통합된 불확실성을 반영한다.
RooStats 의 설계는 확장성을 강조한다. 새로운 통계량이나 최적화 알고리즘을 추가하려면 기존 Calculator 클래스를 상속하고, TestStatistic 인터페이스를 구현하면 된다. 또한, RooFit 의 RooWorkspace 와 연동해 모델, 데이터, 사전분포를 하나의 파일에 저장하고 재사용할 수 있어 대규모 협업과 결과 재현성이 크게 향상된다.
성능 측면에서 RooStats 는 C++ 로 구현돼 고속 계산이 가능하며, ROOT 의 RooFit 와 RooFitResult 를 이용한 자동 미분 및 오류 전파 기능을 활용한다. 다중 코어 환경에서는 RooStats::BatchRunner 를 통해 pseudo‑experiment 를 병렬화할 수 있어 대규모 통계 검증에 적합하다.
요약하면, RooStats 는 LHC와 같은 복잡한 고에너지 물리 실험에서 요구되는 다양한 통계 방법을 일관된 객체 지향 인터페이스로 제공함으로써, 분석가가 모델링에 집중하고 통계적 추론을 표준화된 방식으로 수행하도록 돕는다.