컴퓨터 비전 기반 제트 이미지 태깅

초록

본 논문은 칼로리미터 타워를 픽셀로 간주해 제트 이미지를 구성하고, 얼굴 인식 기법을 차용한 전처리와 Fisher 선형 판별을 이용해 W 보손과 QCD 제트를 구분하는 새로운 jet‑tagging 방법을 제시한다. Monte‑Carlo 시뮬레이션을 통해 기존 서브스트럭처 기법보다 향상된 성능을 보이며, 판별기에 대한 시각화가 물리적 해석을 가능하게 한다.

상세 분석

이 연구는 고에너지 물리학에서 제트의 내부 구조를 이미지 처리 문제로 전환함으로써, 컴퓨터 비전 분야의 풍부한 알고리즘을 활용한다는 점에서 혁신적이다. 먼저, 칼로리미터 타워를 0.1 × 0.1 (η, φ) 격자로 샘플링해 고정된 차원의 2‑D 배열, 즉 ‘제트 이미지’를 만든다. 이미지의 각 픽셀은 해당 타워에 축적된 전이 에너지를 나타내며, 이는 전통적인 서브제트 변수와 달리 원시 정보를 손실 없이 보존한다.

전처리 단계는 얼굴 인식에서 쓰이는 노이즈 감소, 정렬, 정규화 절차를 그대로 차용한다. 트리밍을 통한 잡음(퍼루프) 억제, 서브제트를 이용한 관심점(leading sub‑jet) 탐색, 주축 회전·중심 이동·좌우 반사로 이미지의 회전·이동·대칭 자유도를 제거하고, 전체 에너지 정규화로 스케일 차이를 없앤다. 이러한 표준화는 서로 다른 물리적 상황(예: p_T 범위, ΔR 차이)에서도 일관된 특징을 학습하도록 만든다.

판별 단계에서는 고차원 벡터 공간에서 클래스 간 분산을 최대화하고 클래스 내부 분산을 최소화하는 Fisher Linear Discriminant(FLD)를 적용한다. 정규화된 FLD는 ‘Fisher‑jet’이라는 이미지 형태의 가중치를 산출하고, 임의의 제트 이미지를 이 가중치와 내적함으로써 스칼라 판별값 D를 얻는다. 양의 D는 W‑jet, 음의 D는 QCD‑jet에 해당한다. FLD는 PCA보다 클래스 구분에 특화된 정보를 활용하므로, 물리적으로 의미 있는 영역(예: 두 프롱 구조)과 무관한 공통 변동을 억제한다. 또한 정규화된 FLD는 과적합을 방지하고, 가중치 이미지 자체를 시각화함으로써 어떤 픽셀이 구분에 기여하는지 직관적으로 파악할 수 있다.

성능 평가에서는 8 TeV pp 충돌을 모사한 Pythia8, MadGraph, Herwig++ 시뮬레이션을 사용해 200–250 GeV 구간의 고‑p_T 제트를 대상으로 W‑jet과 QCD‑jet을 구분한다. 전통적인 서브스트럭처 변수(예: τ_21, mass‑drop)와 비교했을 때, Fisher‑jet 기반 판별기는 ROC 곡선에서 유의미한 개선을 보이며, 특히 퍼루프가 많은 환경에서도 전처리 덕분에 강인성을 유지한다.

이와 같이 제트 이미지를 직접 다루는 접근법은 기존 변수 기반 방법이 놓치기 쉬운 복합적인 에너지 분포 정보를 포착하고, 판별기의 시각적 해석을 가능하게 함으로써 물리적 인사이트를 제공한다. 향후 딥러닝 기반 컨볼루션 네트워크와 결합하거나, 트랙 정보·클러스터링 정보를 고해상도 픽셀로 확장하는 등 다양한 확장 가능성이 있다.