머신러닝으로 툭! 살펴보는 맛 이상 현상

초록

본 논문은 반감자 B‑meson의 반감도와 LFU 비율(R_D^{()}, R_{J/ψ}) 및 B→K^{()}νν 붕괴에서 나타나는 플레버 이상 현상을, 효과적 장 이론(EFT)과 새로운 머신러닝 Monte‑Carlo 알고리즘을 이용해 전역 적합(Global Fit)으로 분석한다. 세 가지 시나리오를 비교한 결과, 두 번째와 세 번째 쿼크 세대 사이의 혼합만 허용하고 렙톤 섹터는 혼합을 두지 않으며, 싱글릿·트리플릿 사중 페르미온 연산자의 위 Wilson 계수를 독립적으로 두는 경우가 데이터와 가장 잘 맞는다.

상세 분석

이 연구는 B‑meson 반감도에서 관측된 R_D, R_{D^}, R_{J/ψ}와 B→K^{()}νν 전이의 브랜칭 비율이 표준 모형(SM) 예측과 2~3σ 수준의 불일치를 보이는 ‘플레버 이상 현상’에 초점을 맞춘다. 저자들은 새로운 물리(New Physics, NP)가 상호작용 기저(interaction basis)에서 한 세대에만 작용하고, 질량 기저(mass basis)로 회전하면서 비보편적(mixing) 효과가 발생한다는 가정을 도입한다. 이를 EFT, 구체적으로는 Weak Effective Theory(WET)와 Standard Model EFT(SMEFT)로 기술하고, 주요 연산자는 (ℓ̄γ^μℓ)(q̄γ_μq) 형태의 싱글릿(C₁)과 트리플릿(C₃) 사중 연산자이다.

전역 적합에 사용된 데이터는 최신 Belle II, LHCb, CMS 측정값을 포함해 약 600개의 관측치(힉스 붕괴, 전기약력, B‑physics 등)이며, 이는 파라미터 공간의 차원을 크게 제한한다. 전통적인 마크오프 체인(MCMC) 방식은 비가우시안(likelihood) 형태와 다중 극값 때문에 수렴이 어려운 반면, 저자들은 ‘Machine Learning Monte‑Carlo(ML‑MC)’라는 프레임워크를 도입했다. 이 알고리즘은 제한된 샘플링으로도 likelihood의 복잡한 지형을 고해상도 Gaussian Process(또는 신경망)로 근사해, 1σ~4σ 영역을 정밀하게 재구성한다.

세 가지 시나리오는 다음과 같다. 시나리오 I: C₁=C₃, 세대 혼합 파라미터 α,β 전부 허용. 시나리오 II: C₁=C₃ 유지하되, 렙톤 매트릭스 λ_ℓ을 대각화(즉, 렙톤 혼합 금지). 시나리오 III: C₁≠C₃(독립)이며, λ_q는 2‑3 세대 혼합만 허용하고 λ_ℓ은 대각화한다. 전역 적합 결과, 시나리오 III가 χ² 감소와 p‑value 향상에서 가장 우수했으며, 특히 C₁과 C₃를 독립적으로 두었을 때 B→K^{()}νν 브랜칭 비율과 R_{D^{()}}, R_{J/ψ}를 동시에 만족시키는 파라미터 영역이 넓어졌다. 구체적으로 C₁≈−0.12±0.03, C₃≈−0.12±0.03, α_q≈0.78, β_q≈1.22 등이다. 또한, λ_q의 비대각 성분이 2‑3 세대 사이에만 존재함을 보여주어, 새로운 물리의 플레버 구조가 ‘부분적’ 비보편성을 띤다는 점을 시사한다.

ML‑MC의 장점은 (1) 비가우시안 likelihood을 효율적으로 샘플링, (2) 고해상도 신뢰구간을 빠르게 생성, (3) 파라미터 간 상관관계를 시각적으로 명확히 파악할 수 있다는 점이다. 이는 기존 전역 적합에서 놓치기 쉬운 얇은 피크나 얇은 골짜기를 포착하는 데 유리하다.

결론적으로, 최신 실험 데이터와 고도화된 머신러닝 기반 적합을 결합함으로써, 플레버 이상 현상의 원천이 되는 새로운 물리의 구조적 특성을 보다 정밀하게 규명할 수 있음을 보여준다.