CMS 실험의 고레벨 하드론 타우 트리거 혁신: 13.6 TeV 런 3에서의 머신러닝 적용

초록

CMS는 2022‑2023년 13.6 TeV 양성자-양성자 충돌에서 수집한 62 fb⁻¹ 데이터를 이용해, 하드론 타우(τ_h) 트리거에 머신러닝 기반 식별 알고리즘을 도입했다. 새로운 L2 CNN‑TAU‑TAG와 경량화된 DEEP‑TAU 네트워크는 높은 효율과 낮은 지연을 제공하며, 평균 46‑52개의 퍼렐 충돌 상황에서도 기존 Run 2 대비 τ_h 트리거 효율을 크게 향상시켰다. 논문은 시스템 설계, 시뮬레이션·데이터 샘플, 알고리즘 훈련 및 검증, 그리고 실제 트리거 성능을 상세히 보고한다.

상세 분석

본 논문은 CMS 고레벨 트리거(HLT)에서 하드론 타우(τ_h) 후보를 실시간으로 재구성·식별하기 위해 도입된 최신 머신러닝(ML) 기술을 전반적으로 검토한다. 먼저, L1 트리거에서 에너지 클러스터와 기본적인 아이솔레이션 기준으로 τ_h 후보를 선별하고, 이후 HLT 단계에서 L2와 L3 단계에 기존의 컷‑기반 알고리즘을 대체하는 두 가지 ML 모델을 적용한다. L2 단계에서는 2‑D 이미지 형태의 ECAL·HCAL 타워 에너지 맵을 입력으로 하는 컨볼루션 신경망(CNN)인 L2_TAU_NN_TAG를 개발했으며, 이는 전통적인 에너지·아이솔레이션 변수보다 복합적인 패턴을 학습해 배경 QCD 제트와의 구분 능력을 크게 향상시킨다. L3 단계에서는 오프라인 DeepTau와 동일한 구조를 단순화한 경량화 DeepTau 네트워크를 온라인 PF 재구성 위에 적용해, 전자·뮤온·중성 입자와의 겹침을 정밀히 판단한다. 두 모델 모두 파라미터 수를 제한하고 양자화(quantization) 기법을 활용해 GPU/CPU 혼합 운용 환경에서 1 ms 이하의 처리 지연을 달성한다.

훈련 데이터는 DY→ττ, W+jets, tt̄, QCD 멀티제트 등 다양한 물리 프로세스를 포함한 MC 시뮬레이션과 실제 데이터에서 추출한 프리시젼 레이블을 결합했으며, pile‑up 평균 46‑52를 재현하도록 재가중하였다. 모델은 K‑fold 교차검증과 ROC‑AUC 최적화를 통해 90 % 이상의 효율을 유지하면서 거짓 양성률을 1 % 이하로 억제한다. 특히, 높은 p_T(>50 GeV) 영역에서 기존 컷‑기반 대비 5‑10 %의 효율 상승을 보였으며, 낮은 p_T(>20 GeV)에서도 아이솔레이션 의존성을 크게 완화했다.

성능 평가는 트리거 효율, 레이트, CPU/GPU 사용량, 그리고 오프라인 재구성과의 일치도(스케일 팩터)로 수행되었다. 결과적으로, τ_h 단일 및 di‑τ_h 경로의 전체 트리거 레이트는 Run 2 대비 30 % 감소했으며, 물리 분석(예: H→ττ, BSM Z′→ττ)에서 필요한 신호 효율은 평균 12 % 상승했다. 또한, 시스템 안정성 테스트에서 최대 100 kHz L1 입력을 처리하면서도 평균 HLT 처리 지연이 2.3 ms 이하로 유지되었다는 점이 강조된다.

이와 같은 ML 기반 고레벨 트리거는 향후 LHC 고밀도 런에 대비해 확장성이 높으며, 다른 레프톤·제트 트리거에도 적용 가능함을 시사한다. 특히, 경량화된 딥러닝 모델을 실시간 시스템에 통합한 사례는 고에너지 물리학 실험에서 실시간 데이터 선택 전략의 패러다임 전환을 의미한다.