계층적 뉴로베이즈 기반 B 중간자 전면 재구성 알고리즘

초록

본 논문은 Belle 실험에서 사용되는 B‑meson 전면 재구성 효율을 크게 향상시키기 위해, 4단계 계층 구조와 NeuroBayes 신경망을 결합한 새로운 알고리즘을 제시한다. 1104개의 전용 붕괴 채널을 자동으로 처리하며, 기존 절단 기반 방식 대비 효율을 약 2배, 순도를 동일하게 유지하면서도 효율을 두 배 이상 끌어올렸다.

상세 분석

이 연구는 B‑factory 환경, 특히 KEKB와 Belle 검출기의 특성을 활용해 전면 재구성 문제를 근본적으로 재정의한다. 전통적인 절단(cut‑based) 방식은 각 붕괴 채널마다 개별적인 선택 기준을 설정해야 하므로, 수백 개에 달하는 채널을 모두 다루기에 비효율적이다. 저자들은 이를 극복하기 위해 “계층적 재구성”이라는 개념을 도입하였다. 첫 번째 단계에서는 개별 트랙과 클러스터에 대해 입자 종류(π, K, e, μ, γ 등)를 판별하기 위해 71개의 NeuroBayes 신경망을 훈련시킨다. 여기서 사용된 입력 변수는 시간비행(ToF), CDC의 dE/dx, ACC의 체렌코프 광량, ECL 클러스터 형태 등이며, 각 변수 간 상관관계를 신경망이 자동으로 학습한다.

두 번째 단계에서는 1단계에서 얻은 후보들을 조합해 D, D*, J/ψ 등 중간 입자를 재구성한다. 이때도 각 조합에 대해 별도의 신경망을 적용해 “NB_out,prod”라는 자식 후보들의 출력값 곱을 이용한 확률을 산출한다. 중요한 점은, 모든 채널에 대해 동일한 “추가 배경 대비 신호 증가” 기준을 적용해 CPU 사용량을 최적화했다는 것이다. 즉, 순도가 높은 채널은 완화된 절단을, 복잡하고 잡음이 많은 채널은 다소 엄격한 절단을 부여함으로써 전체 계산 부하를 균등하게 분배하였다.

세 번째 단계에서는 D*와 같은 고차 입자를 만들고, 네 번째 단계에서 최종 B+와 B⁰ 후보를 형성한다. 여기서도 각 단계마다 신경망 출력값을 베이즈 정리와 likelihood ratio를 이용해 실제 신호 확률로 변환한다. 특히, 훈련 데이터와 실제 데이터 간의 신호‑배경 비율 차이를 보정하기 위해 식 (20)의 변환식을 적용했으며, 이는 낮은 순도 채널에서도 정확한 확률 추정이 가능하도록 만든 핵심 기술이다.

알고리즘 전체는 1104개의 전용 붕괴 채널을 자동으로 관리하는 소프트웨어 프레임워크 위에 구현되었으며, 이는 인간이 일일이 채널을 정의하고 최적화하는 과정에서 발생할 수 있는 오류를 최소화한다. 결과적으로 B⁺ 후보는 전체 BB̄ 이벤트의 0.28%, B⁰ 후보는 0.18%를 정확히 재구성했으며, 이는 기존 절단 기반 방식 대비 약 2배 이상의 효율 향상을 의미한다. 또한, 동일한 순도(≈25%)를 유지하면서도 효율이 두 배 이상, 혹은 기존 효율 수준을 유지하면서 순도가 90%에 육박하는 두 가지 운용 모드를 자유롭게 선택할 수 있다.

이러한 성과는 특히 중성 입자(ν)나 다중 중성 파이톤을 포함하는 희귀 붕괴(예: B⁺→τ⁺ν, B→K⁺νν̄ 등)의 분석에 큰 도움이 된다. 전면 재구성을 통해 신호 B의 4‑모멘텀을 정확히 알 수 있기 때문에, 신호 측면에서 보이지 않는 입자들의 존재를 간접적으로 추정할 수 있다. 따라서 새로운 알고리즘은 기존 Belle 데이터셋을 재해석하거나, 향후 Belle II와 같은 고광도 B‑factory에서 희귀 붕괴 탐색에 필수적인 도구가 될 전망이다.