동시 다중 시스템 불확실성 관리 방안

초록

본 논문은 LHC와 같은 고에너지 물리 실험에서 동시에 다수의 시스템 불확실성을 다루는 통계적 방법과 현재 널리 사용되는 RooStats 기반 구현의 한계를 분석한다. 베이즈와 빈도주의 접근법을 비교하고, 제어 영역과 신호 영역을 동시에 피팅하는 기법, 히스토그램 템플릿을 이용한 변동 모델링, 파라미터 명명·관리 문제 등을 상세히 논의한다. 마지막으로 향후 소프트웨어 설계 개선 방향과 INSIGHTS 프로젝트의 역할을 제시한다.

상세 분석

논문은 먼저 시스템 불확실성을 파라미터 θ 로 표현하고, 관심 파라미터 μ 와 결합한 확률 모델 L(x;μ,θ) 를 정의한다. 베이즈 접근에서는 사전분포 π(μ,θ) 를 곱해 사후분포 P(μ,θ|x)를 얻고, θ 를 적분해 μ 의 주변분포를 구한다(식 1.1‑1.2). 빈도주의에서는 프로파일 우도 λ(μ)=L(μ, θ̂̂)/L(μ̂, θ̂) 를 사용해 검정통계 q_μ=−2 ln λ(μ) 를 정의한다. 이때 Wilks 정리에 따라 μ=0 의 경우 χ² 분포를 근사한다는 점이 강조된다.

다음으로 제어 샘플 y 를 도입해 θ 를 추가 제약하는 동시 피팅 구조 L(x,y;μ,θ)=L_x·L_y 를 제시한다(식 2.1). 실제 LHC 분석에서는 제어 영역이 신호를 포함하지 않을 경우 L_y 가 μ 에 독립적이다. 그러나 실험적 제약(예: 캘리브레이션 데이터 부족, 포맷 차이) 때문에 종종 L_y 를 단순히 θ_nom 의 사전분포(가우시안, 로그정규 등) 로 대체한다(식 2.2).

구현 측면에서는 RooFit/RooStats 프레임워크가 히스토그램 기반 템플릿을 PDF 로 변환하는 RooHistPdf 클래스를 제공한다. 각 시스템 불확실성에 대해 ±1σ 변동 히스토그램을 준비하고, 파라미터 값에 따라 선형·이차 보간 혹은 외삽을 수행한다. 여기서 주요 문제는

1. 히스토그램 명명 규칙이 복잡해져 자동 매칭이 어려워짐,
2. 수천 개에 달하는 파라미터(특히 각 빈에 대한 통계 파라미터) 로 인한 메모리·CPU 부담,
3. RooFormulaVar 로 문자열 기반 수식을 정의할 때 런타임 오류가 은연중에 발생한다는 점이다.

또한, 백그라운드 스케일링 h_sig_i = h_bkg_i α_i 와 같이 빈‑별 스케일 팩터를 도입하면 α_i 를 별도 파라미터로 관리해야 하는데, 이는 파라미터 그룹화가 없을 경우 모델이 급격히 복잡해진다. 논문은 파라미터를 “전체 공통”, “프로세스 공통”, “채널 공통”, “개별 스펙트럼” 네 단계로 계층화하고, CMS Higgs Combine와 같은 데이터카드 언어를 활용해 정의를 자동화할 것을 제안한다.

마지막으로 INSIGHTS 프로젝트가 젊은 연구자들을 교육하고, 최신 머신러닝 기반 불확실성 추정 기법을 RooStats에 통합하는 파일럿 작업을 진행 중임을 언급한다. 이는 향후 불확실성 관리 툴킷을 모듈화하고, 사용자 정의 인터페이스를 표준화하는 데 기여할 것으로 기대된다.