ATLAS 칼로미터 신호 보정에 불확실성 인식 베이지안 신경망 적용

초록

ATLAS 실험은 베이지안 신경망(BNN)을 이용해 토포‑클러스터 에너지 보정을 다차원 연속 함수로 학습하고, 각 클러스터에 대한 통계·체계적 불확실성을 동시에 추정한다. BNN 보정은 기존 로컬 하드론 보정(LCW)과 딥 뉴럴 네트워크(DNN) 보정보다 선형성·분해능에서 우수했으며, 불확실성 예측은 레퓨시브 앙상블(RE) 방식과도 일관성을 보였다.

상세 분석

본 논문은 ATLAS 칼로미터의 토포‑클러스터 신호를 다차원 특징 벡터(에너지, 위치, 셀 형태, 주변 환경 등)로 표현하고, 이를 입력으로 베이지안 신경망(BNN)을 학습시켜 클러스터별 보정 계수를 추정한다. BNN은 가중치에 사전 확률을 부여하고 변분 베이지안 추론을 통해 사후 분포를 얻음으로써, 예측값뿐 아니라 예측 불확실성도 제공한다. 논문에서는 두 종류의 불확실성을 정의한다. 첫 번째는 ‘통계적 불확실성’으로, 학습 데이터 양과 네트워크 파라미터 추정의 변동성을 반영한다. 두 번째는 ‘체계적 불확실성’으로, 모델 자체가 학습 데이터의 제한(예: 시뮬레이션‑데이터 차이)으로부터 벗어나 개선될 수 없는 오차를 의미한다.

학습에는 13 TeV 런 2(2015‑2018) 멀티젯 MC 샘플을 사용했으며, 파이썬 기반의 TensorFlow‑Probability 라이브러리로 변분 베이지안 레이어를 구현하였다. 손실 함수는 평균 제곱 오차(MSE)와 불확실성 항을 결합한 베이지안 손실을 사용해, 예측값과 실제 에너지(시뮬레이션 진실) 사이의 차이를 최소화하면서 불확실성 추정이 과소·과대 평가되지 않도록 정규화하였다.

성능 평가는 (1) 선형성(예측 에너지와 진실 에너지의 비율), (2) 에너지 분해능(σ/E), (3) 불확실성 품질(pull 분포) 세 가지 메트릭으로 수행되었다. BNN 보정은 LCW 대비 평균 에너지 비율이 0.5 % 정도 개선되고, 특히 저에너지(≈10 GeV)와 전이 영역(η≈1.5)에서 분해능이 5‑10 % 향상되었다. DNN 보정과 비교했을 때, BNN은 비슷한 평균 성능을 유지하면서도 각 클러스터에 대한 불확실성을 제공한다는 점에서 차별화된다.

불확실성 검증을 위해 레퓨시브 앙상블(RE) 네트워크를 별도로 학습시켰다. RE는 서로 배제된 서브셋으로 학습된 여러 모델의 예측 분산을 불확실성 추정에 활용한다. BNN이 제공한 통계적·체계적 불확실성은 RE가 산출한 예측 분산과 높은 상관관계를 보였으며, 특히 높은 불확실성을 보이는 클러스터는 전자‑하드론 전이 영역, 셀 경계, 높은 퍼렐루스(다중 충돌) 등 물리적으로 복잡한 상황과 일치했다.

또한, 논문은 BNN 불확실성을 기존 ATLAS 제트 보정 체계에 통합하는 방안을 제시한다. 예를 들어, 높은 불확실성을 가진 토포‑클러스터를 사전 선택에서 제외하거나, 불확실성을 가중치로 사용해 하단‑업(‘bottom‑up’) 보정에서 전체 에너지 흐름을 더 정밀하게 추정할 수 있다. 이는 결측 전이량(MET) 측정, 저에너지 잔류(hadronic recoil) 및 제트 서브스트럭처 분석 등에 직접적인 이점을 제공한다.

전반적으로, BNN 기반 보정은 기존 LCW와 DNN 보정의 장점을 유지하면서, 불확실성 추정을 통해 물리 분석 단계에서 시스템atics를 보다 정량적으로 다룰 수 있게 한다. 향후 실제 데이터에 적용하기 위해서는 시뮬레이션‑데이터 차이에 대한 추가 검증과, 불확실성 항을 전체 ATLAS 시스템atics 모델에 통합하는 작업이 필요하다.