CMS 런3 물리 객체와 최신 알고리즘

초록

CMS 실험은 13.6 TeV 런 3에서 전하 레프톤, 광자, 제트 및 결측 전이운동량을 재구성·보정하기 위해 고도화된 PF·MLPF, PUPPI, 트랜스포머 기반 태깅 등 새로운 알고리즘을 도입하였다. 높은 평균 퍼루(pileup ≈ 60) 환경에서도 효율과 정밀도를 유지하며, 특히 중입자 제트와 부스트된 객체 식별에서 10배 이상 배경 억제와 20 % 수준의 에너지 해상도 개선을 달성했다.

상세 분석

본 논문은 CMS가 런 3(√s = 13.6 TeV)에서 사용하고 있는 주요 물리 객체들의 재구성, 보정, 그리고 최신 머신러닝 기반 식별 기술을 상세히 정리한다. 먼저 입자 흐름(Particle‑Flow, PF) 알고리즘을 기반으로 한 전통적인 재구성 파이프라인에, 트랜스포머 모델을 활용한 머신러닝 PF(MLPF)가 추가되어 트랙·클러스터 정보를 직접 학습함으로써 CPU + GPU 이종 환경에서 2배 가량 속도 향상을 보였다. 전하 레프톤(뮤온, 전자)에서는 기존의 GSF 전자 재구성과 Gaussian‑Sum‑Filter 기반 트랙 피팅에 더해, 비정형적인 효율 맵을 생성하는 비정규화된 다변량 스케일 팩터가 도입돼 고밀도 퍼루 환경에서도 0.05 % 수준의 모멘텀 정밀도를 유지한다. 특히 W 질량 측정과 같은 초정밀 분석에서는 트랙 맞춤을 통해 0.006 %까지 정밀도를 끌어올렸다.

제트 재구성에서는 anti‑kₜ(R = 0.4, 0.8) 클러스터링 후, L1 퍼루 보정, 시뮬레이션 기반 응답 보정, 그리고 dijet·γ/Z + jet 데이터를 이용한 잔여 보정을 적용한다. 기존 CHS 대신 PUPPI를 기본 퍼루 억제 기법으로 채택함으로써 퍼루에 의한 에너지 오프셋을 거의 없애고, 특히 트랙 커버리지 내에서 퍼루 제트의 발생을 크게 억제했다. 이러한 PUPPI 기반 제트는 후처리 단계에서 ParticleNet·UParT와 같은 트랜스포머 기반 그래프 신경망을 이용해 중입자(heavy‑flavour)와 부스트된 객체(예: boosted top, Higgs) 태깅에 적용되었다. ParticleNet은 입자 구름을 무순서 그래프로 처리해 저‑레벨 정보를 효과적으로 활용하고, UParT는 쌍간 상호작용 피처와 적대적 학습을 결합해 시뮬레이션‑데이터 격차에 강인한 성능을 보인다. 결과적으로 기존 DeepJet 대비 10배 이상 배경 억제와 20 % 정도의 제트 에너지 해상도 개선을 달성했으며, τ‑레프톤 식별에서도 DeepTau v2.5가 이전 버전 대비 30‑50 % 낮은 오인식률을 기록했다.

결측 전이운동량(pₜ^miss) 재구성은 PUPPI 기반 PF 후보를 그대로 합산하는 방식으로 전환했으며, DeepMET이라는 딥 뉴럴 네트워크가 개별 후보에 최적 가중치를 학습해 기존 방법 대비 10‑30 % 향상된 해상도를 제공한다. 마지막으로 시뮬레이션 측면에서는 POWHEG‑hvq + PYTHIA 8(CP5) 기반 tt̄ 샘플을 사용하고, ISR/FSR, 색 재연결(CR) 모델을 최신 ATLAS 데이터에 맞게 튜닝했다. 특히 MiNNLO와 같은 차세대 NNLO+PS 접근법이 향후 정밀도 향상에 기여할 것으로 기대된다. 전반적으로 고밀도 퍼루 환경에서도 객체 재구성·식별·보정 체계가 견고하게 구축되었으며, 트랜스포머 기반 모델이 물리 객체 분석의 새로운 표준으로 자리매김하고 있음을 확인한다.