Run3 CMS 고레벨 트리거에서 b제트 성능 최적화

초록

본 보고서는 2022‑2024년 Run‑3 기간 동안 수집된 pp 충돌 데이터를 이용해 CMS 고레벨 트리거(HLT)에서 b제트 트리거를 최적화한 결과를 제시한다. 기존 DeepJet 기반 알고리즘을 대체한 ParticleNet@HLT 그래프 신경망이 도입되어 동일한 오탐률에서 10‑15% 정도의 효율 향상을 달성했으며, 연도별 데이터에서 안정적인 성능을 유지하였다. 또한 4j2b 및 HH→4b 물리 트리거에 대한 효율 개선과 향후 HL‑LHC 대비 변환기 기반 모델 도입 전망을 논의한다.

상세 분석

본 논문은 CMS 고레벨 트리거(HLT)에서 b‑제트 식별을 담당하는 알고리즘을 Run‑2 시절에 사용되던 DeepJet에서 최신 그래프 신경망인 ParticleNet@HLT로 전환한 과정을 상세히 기술한다. ParticleNet은 입자 흐름(PF) 후보와 2차 정점(SV)을 정점으로 하는 동적 그래프 구조를 활용해, 각 입자 간의 관계를 edge‑convolution 레이어를 통해 학습한다. 이 방식은 전통적인 DNN이 놓치기 쉬운 입자 간의 비선형 상관관계를 포착함으로써, 트랙 임팩트 파라미터, 비행 거리, SV 운동학 등 핵심 변수를 효과적으로 결합한다. 모델은 pT>30 GeV, |η|<2.5 범위의 AK4 제트를 대상으로 시뮬레이션에서 사전 학습되었으며, b, c, light(uds), gluon, τ‑jet 다섯 클래스를 동시에 예측한다.

운용 단계에서는 세 가지 워킹 포인트(Loose, Medium, Tight)를 정의해 각각 c 및 light‑flavor 제트에 대한 오탐률을 10 %, 1 %, 0.1 %로 설정하였다. 시뮬레이션 결과는 DeepJet 대비 동일 오탐률에서 b‑제트 효율이 10‑15 % 상승함을 보여준다. 실제 2024 데이터에 적용한 결과, per‑jet 효율은 평균 84 % 수준을 유지했으며, 연도별(RunC‑RunI) 효율 변동은 2 % 이하로 매우 안정적이었다. 특히, 트리거 효율을 평가한 tt̄+jets 제어 영역에서는 평균 오프라인 ParticleNet 점수에 대한 효율 곡선이 연도마다 거의 겹쳐, 재학습과 워킹 포인트 조정이 성공적으로 수행되었음을 확인한다.

물리 트리거 측면에서는 4j2b(네 개의 제트 중 두 개가 b‑태깅)와 HH→4b(히그스쌍 생성) 경로를 중점적으로 분석하였다. 시뮬레이션 기반 HH→4b 신호에 대해 2024년 HLT 메뉴는 2023년 대비 약 6 %의 효율 향상을 보였으며, 이는 트리거 레이트가 약 50 Hz 증가한 것과 맞물려 있다. 이러한 효율 증가는 특히 고질량 HH 신호(MHH>1 TeV)에서 두드러져, 향후 고질량 레조넌스 탐색에 중요한 역할을 할 것으로 기대된다.

또한, 트랙 재구성 알고리즘의 개선(Ref.