γ+제트에서 QCD 콤프턴과 쿼크‑반쿼크 소멸 과정 구분을 위한 해석 가능한 머신러닝

초록

본 연구는 13 TeV 양성자‑양성자 충돌에서 γ+제트 이벤트의 리코일 제트를 대상으로, 적외선·콜리니어 안전한 제트 서브스트럭처 관측값을 이용해 QCD 콤프턴(q g→q γ)과 쿼크‑반쿼크 소멸(q \bar q→g γ) 과정을 구분한다. 다중변량 분류기로 부스티드 결정 트리(BDT)와 다층 퍼셉트론(MLP)을 사용했으며, 훈련 데이터는 dijet 이벤트에서 라벨링된 쿼크·글루온 제트이다. 결과는 제트 다중도와 지름(girth)이 가장 큰 구분력을 제공하고, 제트 질량은 보조적 역할, 제트 전하는 거의 기여하지 않음을 보여준다. BDT와 MLP의 성능 차이는 미미하며, 구분 한계는 알고리즘 복잡도가 아니라 QCD 복사 효과에 의해 결정된다.

상세 분석

이 논문은 γ+제트 프로세스가 QCD 레벨에서 두 가지 주요 하드 프로세스, 즉 콤프턴 산란(q g→q γ)과 쿼크‑반쿼크 소멸(q \bar q→g γ)으로 이루어진다는 점에 착안한다. 두 과정은 각각 쿼크와 글루온이 리코일 제트를 형성하므로, 제트의 색전하 차이에 따른 복사 패턴 차이가 존재한다. 저자는 이러한 차이를 최종 상태 입자들의 서브스트럭처, 즉 제트 질량(M_jet), 입자 다중도(N_const), 지름(girth), 전하(Q_ch)와 같은 적외선·콜리니어 안전 변수에 매핑한다.

시뮬레이션은 PYTHIA8‑Detroit 튜닝을 이용해 13 TeV pp 충돌을 재현하고, anti‑k_T(R=0.5) 알고리즘으로 제트를 재구성한다. 제트 라벨링은 가장 가까운 파트론(ΔR<0.25)과의 매칭으로 수행되며, dijet 이벤트에서 쿼크·글루온 제트를 구분해 학습 데이터셋을 만든다. 이후 동일한 재구성 파이프라인을 γ+제트 이벤트에 적용해, 훈련된 모델이 콤프턴(쿼크‑주도)과 소멸(글루온‑주도) 제트를 구분하도록 한다.

MLP는 7개의 입력 피처( p_T, η, φ, N_const, M_jet, girth, Q_ch)를 사용해 단일 은닉층(8 뉴런, ReLU)과 시그모이드 출력으로 구성된다. BDT는 TMVA를 이용해 1000개의 트리(깊이 5, 학습률 0.05, 80% 부트스트랩)로 구성되며, Gini 지수를 분할 기준으로 사용한다. 두 모델 모두 과적합을 방지하기 위해 검증 샘플을 별도로 유지한다.

성능 평가는 ROC 곡선과 AUC(Area Under Curve)로 수행한다. 단일 변수 ROC에서 N_const와 girth가 가장 높은 AUC를 보이며, M_jet은 중간 수준, Q_ch는 거의 0에 가까운 구분력을 가진다. 다변량 BDT와 MLP는 각각 단일 변수보다 약 10% 정도 AUC가 향상되지만, 두 모델 간 차이는 통계적 오차 범위 내에 머문다. 이는 모델 복잡도가 아니라 물리적인 한계, 즉 글루온과 쿼크의 복사 패턴 차이가 제한적임을 의미한다.

p_T 의존성 분석에서는 50–100 GeV 구간에서 AUC가 급격히 상승하고, 200 GeV 이상에서는 포화 현상이 나타난다. 이는 낮은 p_T에서 복사 위상이 충분히 넓어 구분이 쉬워지지만, 고p_T에서는 컬러 코히런스와 Sudakov 억제로 인해 추가 복사가 제한돼 구분력이 더 이상 개선되지 않음을 보여준다.

변수 중요도(Feature Importance) 결과는 BDT가 N_const와 girth에 가장 높은 가중치를 부여하고, M_jet이 그 뒤를 잇으며, Q_ch는 무시된다. 이는 기존 QCD 이론에서 기대되는 색전하 비례 관계(C_A/C_F)와 일치한다.

결론적으로, 저자는 제트 서브스트럭처를 이용한 프로세스 레벨 구분이 실험적으로 가능함을 입증했으며, 복잡한 딥러닝 구조 없이도 BDT와 간단한 MLP로 충분히 최적에 도달한다는 점을 강조한다. 이는 향후 pp, pA, eA, 그리고 중이온 충돌에서 제트 에너지 손실, QGP 탐색, 그리고 정밀 QCD 측정에 활용될 수 있는 물리 기반 베이스라인을 제공한다.