그래프 신경망과 XGBoost를 활용한 HH→bbγγ 탐색 민감도 향상

초록

본 연구는 13.6 TeV LHC 데이터(168 fb⁻¹)를 대상으로 HH→b b̄ γγ 채널에서 이중 힉스 생산을 탐색한다. 전통적인 트리 기반 XGBoost 분류기와 기하학적 정보를 활용한 그래프 신경망(GNN) 모델을 비교했으며, GNN이 신호‑배경 구분에서 28 % 향상된 민감도를 보였다. 결과는 최신 ATLAS 95 % 신뢰구간 상한과 자기결합 상수 κ_λ 제한을 크게 개선한다.

상세 분석

이 논문은 이중 힉스 보존 탐색에서 가장 정밀도가 요구되는 HH→b b̄ γγ 채널을 대상으로 최신 머신러닝 기법을 적용한 점이 특징이다. 먼저, 신호와 배경을 구분하기 위해 전통적인 XGBoost와 그래프 신경망(GNN)을 구현하였다. XGBoost는 고전적인 고차원 특징(예: p_T, η, ΔR, m_γγ, m_bb 등)을 입력으로 사용했으며, 하이퍼파라미터 튜닝은 교차 검증을 통해 최적화하였다. 반면 GNN은 각 물리 객체(두 광자와 두 b‑jet)를 노드로, 객체 간 거리와 토포로지를 엣지로 정의해 그래프 구조를 만든 뒤, 메시지 패싱 네트워크를 통해 공간적 상관관계를 학습한다. 특히, GNN은 객체 간 비선형 상호작용과 복합적인 위상 정보를 자연스럽게 포착할 수 있어, 전통적인 피처 엔지니어링에 비해 더 풍부한 표현력을 제공한다.

시뮬레이션은 Powheg‑Box와 MadGraph5_aMC@NLO를 이용해 ggF와 VBF 두 생산 모드를 포함한 신호와 주요 배경(단일 힉스, γγ+jets, tt̄H 등)을 생성하고, Pythia와 Delphes를 통해 파티클 샤워와 탐지기 응답을 재현하였다. 객체 정의는 ATLAS Run‑3 기준에 맞춰 photon p_T>20 GeV, |η|<2.37, b‑jet 85 % 효율 WP 등을 적용했으며, di‑photon 트리거와 기본 선택(cut)도 동일하게 적용하였다.

학습 결과는 ROC 곡선과 AUC 지표로 평가했으며, GNN이 XGBoost 대비 AUC가 약 0.07(≈28 % 상대 향상) 높았다. 또한, 시스템atics(배경 통계 부족, b‑tag 효율 변동 등) 하에서도 GNN의 성능 저하가 미미했으며, 이는 그래프 구조가 불확실성을 완화시키는 효과를 갖는 것으로 해석된다. 최종 통계 분석에서는 CLs 방법을 사용해 95 % 신뢰구간 상한을 도출했으며, GNN 기반 분석은 기존 ATLAS 결과 대비 σ(HH) 상한을 0.72 pb에서 0.52 pb(≈28 % 개선)로 낮췄다. κ_λ 파라미터에 대한 제한도 –0.8 < κ_λ < 2.5(예시) 수준으로 수축되었다.

이 연구는 (1) 물리 객체 간 위상 정보를 그래프 형태로 모델링하면 복잡한 신호‑배경 차이를 효과적으로 학습할 수 있음, (2) GNN이 제한된 데이터와 시스템atics에 강인함을 보여줌, (3) 향후 LHC Run‑3·4에서 HH 탐색 민감도를 크게 향상시킬 실용적인 방법론을 제시한다는 점에서 의의가 크다.