기존 분석 재활용을 위한 RECAST 프레임워크

초록

본 논문은 실험 협력이 수행한 기존 신물리 탐색 결과를 새로운 이론 모델에 적용하는 ‘재캐스팅(recasting)’ 기법을 제안한다. 이를 효율적으로 지원하기 위해 RECAST라는 소프트웨어 프레임워크를 설계·구현했으며, 실제 사례를 통해 절차적·기술적 이슈를 검증한다.

상세 분석

RECAST는 기존 분석의 물리적·통계적 결과를 보존하면서, 새로운 신호 모델에 대한 민감도를 재평가하는 플랫폼이다. 핵심 아이디어는 (1) 원본 분석에서 사용된 선택 기준(selection cuts)과 통계 모델을 그대로 유지하고, (2) 새로운 모델에 대한 시뮬레이션 이벤트를 동일한 재구성 파이프라인에 투입하는 것이다. 이를 위해 프레임워크는 프론트엔드와 백엔드로 구성된다. 프론트엔드는 사용자가 새로운 모델의 파라미터 파일과 이벤트 샘플을 업로드하고, 요청을 서술하는 인터페이스를 제공한다. 백엔드는 협력 내부의 컴퓨팅 클러스터 혹은 클라우드 환경에서 실행되며, ROOT 기반의 분석 코드를 그대로 재사용한다. 중요한 기술적 도전은 (가) detector response 재현을 위한 빠르고 정확한 시뮬레이터 선택, (나) 시스템atics 처리 방식의 일관성 유지, (다) 기존 데이터와 비공개 정보에 대한 접근 권한 관리이다. 논문은 GEANT4 기반 풀 시뮬레이션 대신 파라메트릭 fast‑simulator를 활용해 계산 비용을 10배 이상 절감하면서도 핵심 효율을 보존하는 방법을 제시한다. 또한, 시스템atics는 원본 분석에서 제공된 covariance matrix와 nuisance parameter 모델을 그대로 가져와 새로운 신호에 적용한다. 보안 측면에서는 Docker와 Singularity 컨테이너를 이용해 격리된 실행 환경을 제공하고, 인증 토큰 기반의 요청 검증 절차를 도입한다. 이러한 설계는 기존 분석 결과를 손상시키지 않으면서도, 새로운 이론 모델에 대한 빠른 피드백을 가능하게 만든다.