CMS 검출기 기계학습 기반 입자 흐름 재구성
CMS 실험에서 입자 충돌 이벤트를 재구성하는 데 핵심적인 입자 흐름(PF) 알고리즘은 최종 상태 입자들의 포괄적인 목록을 생성하여 충돌에 대한 전역적 설명을 제공합니다. 기존 PF 구현은 물리학 기반의 경험적 방법과 가정에 의존하지만, 본 연구는 이를 시뮬레이션 데이터로 직접 학습되고 GPU에 최적화된 기계학습(ML) 모델로 대체하는 방법을 제시합니다. 본 연구에서는 CMS 소프트웨어 프레임워크 내에 구현된 최첨단 ML 기반 PF (MLPF) 재구성 알고리즘을 소개합니다. MLPF 알고리즘은 GPU에서 학습 가능한 전체 이벤트 재구성을 수행하며, 다양한 검출기 조건과 충돌 에너지에 걸쳐 일반화되고, 여러 모듈식 재구성 단계를 단일 통합 모델로 대체합니다. MLPF는 시뮬레이션 및 실제 데이터 모두에서 표준 PF 재구성과 유사한 물리학적 성능을 달성하며, 제트 에너지 분해능과 추론 시간에서 개선을 보였습니다. 특히, LHC Run-3 (2023–2024) 조건의 시뮬레이션 탑 쿼크-반쿼크 이벤트에서 횡방향 운동량 30–100 GeV 범위의 제트 에너지 분해능이 10–20% 향상되었습니다. 추론 시간 평가 결과, Nvidia L4 GPU에서 이벤트당 중앙값 20ms를 기록하여 표준 CMS PF 재구성의 약 110ms에 비해 크게 단축되었습니다. 이러한 MLPF 알고리즘은 고에너지 물리학 실험의 데이터 처리 효율성을 혁신하고, 미래 실험에서 복잡한 이벤트 재구성의 정확성과 속도를 향상시키는 데 기여할 수 있습니다.