RooUnfold 패키지를 활용한 다양한 언폴딩 알고리즘 비교와 실전 적용

초록

**
RooUnfold은 베이즈, SVD, TUnfold 등 주요 언폴딩 방법을 하나의 프레임워크에 통합한 C++/ROOT 기반 툴이다. 공통 인터페이스와 자동 공분산 행렬 계산, 다차원 히스토그램 지원을 통해 알고리즘 간 성능을 동일 조건에서 비교할 수 있다. 논문은 각 알고리즘의 원리, 구현 세부사항, 그리고 toy MC 테스트를 통한 정밀도·편향·정규화 파라미터 튜닝 결과를 제시한다.

**

상세 분석

**
RooUnfold은 ROOT 클래스 구조를 그대로 이어받아 RooUnfoldResponse와 여러 RooUnfold* 파생 클래스를 제공한다. 응답 행렬은 훈련 단계와 언폴딩 단계가 완전히 분리되어 저장·재사용이 가능하고, 1‑, 2‑, 3‑차원 히스토그램을 모두 지원한다는 점이 큰 장점이다.
베이즈 언폴딩은 D’Agostini의 반복 베이즈 정리 기반으로, 반복 횟수가 정규화 파라미터가 된다. 초기 사전분포를 MC 훈련 진실 분포로 설정함으로써 수렴 속도가 빨라지지만, 반복이 많아질 경우 오류 전파가 복잡해진다. 논문에서는 기존 D’Agostini 공식에 누락된 두 번째 항을 추가해 오류가 크게 개선된 사례를 제시한다.
SVD 언폴딩은 TSVDUnfold 클래스를 래핑하며, 특이값 절단(k)을 정규화 매개변수로 사용한다. 작은 특이값을 억제함으로써 고주파 잡음을 감소시키지만, 절단값 선택이 결과에 민감하게 작용한다. RooUnfold은 특이값 절단 외에도 응답 행렬의 통계적 불확실성을 공분산 행렬에 포함시켜 보다 현실적인 오류 추정을 제공한다.
TUnfold은 다항식 정규화(0‑, 1‑, 2‑차)와 L‑곡선 스캔을 통한 최적 τ 선택을 자동화한다. 2‑, 3‑차원 데이터에 대해 정규화 행렬을 자동 생성해 주므로 사용자가 직접 행렬을 구성할 필요가 없으며, 복잡한 다차원 문제에서도 일관된 결과를 얻을 수 있다.
비정규화 방법인 Bin‑by‑Bin과 직접 행렬 역전은 참고용으로 포함되지만, 모델 의존성 편향이나 큰 bin‑to‑bin 상관관계 때문에 실전에서는 권장되지 않는다.
테스트 섹션에서는 서로 다른 훈련·시험 PDF(넓은 가우시안 vs. 이중 Breit‑Wigner)를 사용해 1‑, 2‑, 3‑차원 상황을 시뮬레이션한다. 베이즈는 4회 반복 시 안정적인 결과를 보였으며, SVD는 k=30에서 최적 성능을, TUnfold은 τ≈0.004에서 최소 χ²를 기록한다. 특히 베이즈 오류 전파에서 두 번째 항을 포함했을 때 toy MC와 거의 일치하는 RMS를 얻어, 오류 계산의 중요성을 강조한다.
마지막으로 RooUnfold은 2007년부터 지속적으로 업데이트돼 ROOT 배포판에 포함될 예정이며, 향후 응답 행렬의 시스템atics와 측정 bin 간 상관관계 처리 기능이 추가될 계획이다. 이러한 확장성은 다양한 실험 분야(입자·천체·핵물리)에서 언폴딩 작업을 표준화하고 재현성을 높이는 데 크게 기여할 것으로 기대된다.

**