HWW 비정상 결합 탐색을 위한 시뮬레이션 기반 추론

초록

본 연구는 WH → ℓν b b̄ 채널에서 SMEFT 프레임워크 하의 CP‑홀 및 CP‑짝 HWW 비정상 결합을 탐색하기 위해 시뮬레이션 기반 추론(SBI) 기법을 적용한다. per‑event likelihood‑ratio 추정기와 optimal‑observable 추정기를 비교하고, 전통적인 히스토그램 요약통계와도 대조한다. SBI는 1차원 히스토그램보다 더 강력한 제한을 제공하지만 2차원 히스토그램과 비슷한 성능을 보인다. 고 S/B 영역을 선택하면 CP‑홀 연산자에 대한 감도가 크게 향상된다. 향후 LHC Run 3 데이터에 적용하면 현재 ATLAS·CMS 한계를 뛰어넘을 가능성이 있다.

상세 분석

이 논문은 LHC Run 2에서 수집된 WH → ℓν b b̄ 이벤트를 대상으로, SMEFT에서 차원‑6 연산자 O_HW( CP‑짝)와 Ō_HW( CP‑홀)의 Wilson 계수 c_HW와 c_HŴ를 제약하는 새로운 통계적 접근법을 제시한다. 전통적인 분석은 몇 개의 물리량(예: 각도, 질량)으로 히스토그램을 만들고 템플릿 피팅을 수행하지만, 이는 다차원 정보 손실을 초래한다. 저자들은 ‘시뮬레이션 기반 추론(SBI)’이라는 프레임워크를 도입해, Monte Carlo 시뮬레이터가 제공하는 잠재 변수(z)와 관측 변수(x)를 동시에 활용한다. 핵심은 joint likelihood ratio r(x,z|θ₀,θ₁)와 joint score t(x,z|θ) 를 계산할 수 있다는 점이다. 이 양은 시뮬레이터 내부에서 소멸되는 파트론‑쇼워·핵화·검출 단계의 확률을 상쇄시켜, 순수히 파트론‑레벨 차등 단면 dσ(z_p|θ)만 남긴다.

이를 바탕으로 세 가지 NN 기반 추정기를 구현한다. SALL​Y는 joint score에 대한 MSE 손실을 최소화해 로컬 optimal observable을 학습한다. ALICE는 binary classifier를 이용해 likelihood‑ratio trick을 적용하고, ALICES는 여기에 joint score 항을 가중치 α와 함께 추가해 보다 전역적인 추정기를 만든다. 각 모델은 MadMiner 패키지를 통해 훈련되며, 파라미터 공간 전반에 걸쳐 차별력을 유지한다.

실험에서는 (i) 1‑D 히스토그램, (ii) 2‑D 히스토그램, (iii) optimal‑observable, (iv) SALL​Y, (v) ALICE/ALICES 순으로 성능을 비교한다. 결과는 SBI가 1‑D 히스토그램보다 유의미하게 좁은 95 % 신뢰구간을 제공하지만, 2‑D 히스토그램과는 거의 동등한 제한을 나타낸다. 특히 고 S/B 영역(예: 높은 p_T^W·b b̄)에서 CP‑홀 연산자 c_HŴ에 대한 민감도가 크게 상승한다. 반면, likelihood‑ratio 추정기는 최소값 주변에서 불안정성을 보이며, 손실 함수 설계와 하이퍼파라미터 튜닝이 필요함을 지적한다.

이 연구는 두 가지 중요한 시사점을 제공한다. 첫째, SBI는 기존 요약통계보다 정보 손실을 최소화하면서도 구현이 비교적 간단해 실험 분석에 바로 적용 가능하다. 둘째, 최적의 파라미터 추정을 위해서는 likelihood‑ratio와 score를 동시에 활용하는 ALICES와 같은 복합 손실이 유망하지만, 안정성 확보를 위한 추가 연구가 필요하다.