MadMiner 입자 물리학을 위한 머신러닝 기반 추론 도구

본 논문은 LHC와 같은 고에너지 입자 물리 실험에서 고차원 이벤트 데이터를 직접 활용해 파라미터 추정을 수행하는 최신 머신러닝 기반 추론 프레임워크인 MadMiner를 소개한다. 전통적인 분석은 관측값을 몇 개의 요약 통계량으로 축소하고, 그에 대한 히스토그램이나 커널 밀도 추정으로 가능도를 구성한다. 그러나 이러한 요약은 데이터에 내재된 대부분의 정보를 손실한다. 반면, Matrix Element Method와 Optimal Observable은 매트릭스 엘리먼트 정보를 활용해 가능도를 직접 계산하려 하지만, 탐지기 효과와 파트론‑레벨 복잡성을 단순화해야 하며 계산 비용이 매우 높다. MadMiner는 이러한 한계를 극복하기 위해 (1) 시뮬레이터가 제공하는 기본적인 이벤트 정보 외에, (2) 각 이벤트에 대한 joint likelihood ratio r(x,z)와 joint score t(x,z)라는 미분 가능한 추가 정보를 자동으로 추출·증강한다. 여기서 z는 파트론‑레벨 변수(모멘텀, helicity 등)이며, r와 t는 매트릭스 엘리먼트와 전체 단면 σ(θ)의 미분 형태로 표현된다. 이러한 정보는 Monte‑Carlo 샘플링만으로는 얻을 수 없으며, MadMiner는 MadGraph5_aMC와 Pythia 8을 연동해 이벤트를 생성하면서 동시에 매트릭스 엘리먼트와 가중치를 계산한다. 다음 단계에서는 추출된 (x,θ) 혹은 (x,θ₀,θ₁) 데이터를 이용해 신경망을 학습한다. 네트워크는 네 가지 주요 목표 중 하나를 수행하도록 설계된다. 첫째, Neural Density Estimation(NDE) 방식으로 전체 가능도 p̂(x|θ)를 직접 추정한다. 둘째, CARL 방식으로 가능도 비율 r̂(x|θ)≈p(x|θ)/p(x|θ_ref)를 학습한다. 셋째, ROLR·Alice·Cascal·Rascal 등은 joint score 정보를 활용해 가능도 비율을 더욱 효율적으로 추정한다. 마지막으로, doubly‑parameterized likelihood ratio estimators는 (θ₀,θ₁) 두 파라미터에 대한 비율을 한 번에 모델링한다. 이들 방법은 모두 “asymptotically exact”한 특성을 가지며, 충분한 네트워크 용량과 학습 데이터가 주어지면 이론적인 최적 성능에 수렴한다. 학습이 완료되면, 모델은 마이크로초 수준의 연산으로 p̂ 혹은 r̂를 평가할 수 있다. 이를 통해 (i) 프로파일 likelihood ratio 검정, (ii) Fisher 정보 행렬 계산, (iii) 신속한 pseudo‑experiment 생성 등 다양한 통계적 추론을 실시간으로 수행한다. 논문은 Fisher 정보와 Cramér‑Rao bound를 이용해 파라미터 민감도를 정량화하고, 최적 관측량을 정의한다. 실제 물리 적용 사례로는 ttH + t t̄ 생산 과정에서 차원‑6 EFT 연산자(c_tG, c_φQ 등)를 대상으로 한 분석이 제시된다. 저자들은 (1) 파트론‑레벨에서 true likelihood ratio와 학습된 추정값을 비교해 KL divergence가 10⁻³ 수준으로 매우 작은 오차를 보였으며, (2) Delphes 기반 탐지기 시뮬레이션을 포함한 현실적인 분석에서도 기존 히스토그램 기반 EFT 분석 대비 30 % 이상의 민감도 향상을 확인했다. 특히, joint score를 활용한 Rascal·Alice 방법이 가장 높은 샘플 효율을 보였으며, 전체 파라미터 공간을 하나의 네트워크로 커버함으로써 전통적인 그리드 기반 시뮬레이션 대비 샘플 수를 10배 이상 절감했다. MadMiner는 또한 시스템atics(예: PDF 변동, 스케일 변동, 탐지기 효율)와 같은 추가 파라미터를 동일한 프레임워크에 포함시킬 수 있다. 사용자는 분석 사양(specification) 파일에 파라미터와 시스템atics를 정의하고, MadMiner가 자동으로 샘플링·증강·학습·추론까지 전 과정을 관리한다. 결론적으로, MadMiner는 (1) 고차원 데이터의 모든 정보를 활용, (2) 매트릭스 엘리먼트와 시뮬레이션의 물리적 정확성을 유지, (3) 학습 후 추론이 매우 빠른 세 가지 장점을 제공한다. 이는 향후 LHC 고광도 런이나 미래 충돌기에서 복잡한 EFT·BSM 모델을 탐색하는 데 필수적인 도구가 될 것으로 기대된다. 향후 연구 방향으로는 Geant4 기반 전이 함수와의 통합, 다중 분석 간 전이 학습, 이미지 기반 탐지기 출력과의 멀티모달 학습, 그리고 베이지안 추론 프레임워크와의 연계가 제시된다.