FPPDF 공개 코드로 aN³LO PDF 적합 방법론 비교

초록

본 논문은 MSHT 방식의 고정 다항식 파라미터화와 Hessian 오류 전파를 구현한 공개 코드 FPPDF를 소개하고, 동일한 데이터·이론 입력을 사용해 NNLO와 aN³LO 차수에서 Hessian(고정 다항식)과 NNPDF(신경망·Monte‑Carlo) 두 가지 적합 방법론의 PDF와 불확실성 차이를 정량적으로 평가한다. 결과는 고차원 교정(≈aN³LO) 효과가 파라미터화 방식에 크게 의존하지 않으며, 두 방법론 간 차이는 주로 데이터·이론 설정에 기인함을 보여준다.

상세 분석

FPPDF는 기존 MSHT20에서 사용된 Chebyshev 다항식 기반 고정 파라미터화를 그대로 채택하면서, NNPDF 공개 라이브러리를 이용해 실험 데이터와 이론 계산(분할 함수, 계수 함수 등)을 수행한다. 이는 두 주요 PDF 그룹(MSHT/CT와 NNPDF)의 장점을 결합한 하이브리드 프레임워크로, 동일한 입력을 공유함에도 불구하고 파라미터화와 오류 전파 방식만을 바꾸어 직접 비교할 수 있게 한다.

파라미터화 측면에서 FPPDF는 52~61개의 자유 파라미터(perturbative charm vs fitted charm)를 사용해 uᵥ, dᵥ, S, s⁺, s⁻, d/u, g, c⁺ 등 8가지 기본 파트론 분포를 기술한다. Chebyshev 다항식은 x‑의존성을 효율적으로 포착하면서도 파라미터 수를 제한해 Hessian 행렬의 안정적인 대각화와 오류 전파를 가능하게 한다. 반면 NNPDF는 8개의 출력 뉴럴 네트워크에 약 800개의 가중치를 부여해 각 레플리카마다 독립적인 최소화를 수행한다. 이때 훈련/검증 분할과 t₀ 방법을 통해 시스템적·통계적 불확실성을 반영한다.

오차 전파는 두 방식에서 근본적으로 다르다. FPPDF는 동적 혹은 고정 T(Δχ²) 허용치를 적용해 Hessian 기반 공분산 행렬을 구성한다. Δχ²=1을 기본으로 하지만, 실제 데이터 간 불일치를 보정하기 위해 T>1을 도입한다(동적 허용치). NNPDF는 레플리카 집합 자체가 확률 분포를 근사하므로, Monte‑Carlo 표본의 분산이 바로 PDF 불확실성을 제공한다. 흥미롭게도, 고정 파라미터화에서 Δχ²=1을 적용하면 Monte‑Carlo 결과와 거의 일치한다는 이전 연구 결과와 일맥상통한다.

논문은 NNLO와 aN³LO 두 차수에서 동일한 데이터셋(디스, DY, 탑쌍, 제트, 포톤 등)과 이론 설정을 사용해 적합을 수행했다. aN³LO에서는 근사적인 3‑루프 분할 함수와 질량 없는 DIS 구조함수에만 완전한 3‑루프 보정이 적용되며, 나머지 과정은 누설 파라미터(MHOU) 혹은 이론 공분산 행렬을 통해 보정한다. 결과적으로 두 방법론 모두 χ²/데이터 포인트가 1.1~1.3 수준으로 비슷한 품질을 보였으며, aN³LO로 전이했을 때 전체 χ²는 약 2 % 정도 감소했다.

PDF 자체를 비교하면, 특히 글루온(g)와 차이(특히 s⁻)에서 차이가 두드러졌다. NNLO에서 두 방법론 간 차이는 12 % 수준이었지만, aN³LO에서는 글루온의 중간 x(≈0.01–0.1) 영역에서 35 % 정도의 차이가 관측되었다. 그러나 이러한 차이는 aN³LO 보정 자체가 데이터와 이론에 미치는 영향보다 작으며, 파라미터화 선택에 따른 불확실성 증폭이 아니라 근사적인 고차 보정의 한계에 기인한다는 결론을 내렸다.

또한, MHOU를 포함한 공분산 행렬을 사용했을 때 Hessian 오류가 약 10–15 % 확대되었으며, 이는 NNPDF 레플리카 분산과 거의 일치한다. 따라서 고차 보정 불확실성을 포함한 경우에도 두 방법론 간 불확실성 차이는 미미하다.

결론적으로, FPPDF는 공개적으로 재현 가능한 Hessian 기반 PDF 적합을 제공함으로써, 파라미터화와 오류 전파 방식이 PDF 결과에 미치는 영향을 정량적으로 평가할 수 있는 중요한 도구가 된다. aN³LO 수준까지 확장했을 때도 파라미터화 선택이 결과에 미치는 영향은 제한적이며, 향후 더 정밀한 고차 보정이 제공될 경우에도 두 접근법 간 차이는 데이터·이론 입력에 의해 주도될 가능성이 높다.