PyTorchKR Papers

최신 논문

총 9편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.13771v1cs.LG

Neural Spline Flow를 이용한 CMS Run 2015D 공개 데이터 기반 Mono-Z 암흑 물질 탐색

Mono-Z Dark Matter Search with Neural Spline Flows Using CMS Run 2015D Open Data

우리는 간소화 모델 Monte Carlo 시뮬레이션과 함께 적분 휘도 \(2.32\,\mathrm{fb}^{-1}\)에 해당하는 CMS Run 2015D 공개 데이터를 사용하여, \(\sqrt{s}=13\) TeV에서 렙톤으로 붕괴하는 \(Z\) 보존과 함께 생성된 암흑 물질(DM) 탐색 결과를 보고한다. 이벤트는 \(μμ\) 및 \(ee\) 채널 모두에서 mono-\(Z\rightarrow\ell^+\ell^-\) 최종 상태로 선별된다. MINIAOD 및 MINIAODSIM에서 40개의 운동학적 관측량을 추출하고, 물리학적으로 동기 부여된 선별로 정제한 뒤 37차원 특징 벡터로 축소한다. 표준 모델 배경과 매개체 특정 DM 신호 밀도를 모델링하기 위해 5개의 Neural Spline Flow를 독립적으로 학습한다. 사건별 검정 통계량은 신호와 배경 밀도 추정치 간의 로-가능도 비율로 구성되어, 엄격한 상한 \(\mathrm{MET}\) 임계값 없이도 전체 운동학적 위상 공간에 걸친 민감도를 제공한다. 두 채널을 결합한 동시 프로파일-가능도 적합은 스칼라 매개체에 대해 신호 강도 매개변수 \(μ<0.0177\) (\(0.0018\)), 벡터 매개체에 대해 \(μ<0.0362\) (\(0.0039\)), 축-벡터 매개체에 대해 \(μ<0.0498\) (\(0.0069\))의 관측(기대) 95% 신뢰수준 상한을 산출한다. 관측된 한계는 DM 신호의 증거 때문이 아니라, 잔여 high-\(\mathrm{MET}\) 배경 모델링 불일치로 인해 기대값보다 약하다. 우리가 아는 한, 이는 \(μμ\) 및 \(ee\) 채널에서 CMS Run 2015D 공개 데이터를 이용한 mono-\(Z\) 암흑 물질 탐색에 Neural Spline Flow 가능도 비율 점수를 동시에 적용한 최초의 사례이다.

arXiv:2607.12726v1hep-ph

물리적으로 일관된 매개변수 추론: 고에너지 물리학과 우주론에서의 투명한 머신러닝 에뮬레이션

Physically Consistent Parameter Inference: Transparent Machine Learning Emulation in High Energy Physics and Cosmology

고에너지 물리학과 우주론에서의 전역 피팅(global fits)은 계산 비용이 큰 또는 위상적으로 복잡한 가능도 함수를 사용하여 고차원 매개변수 공간을 탐색해야 하는 과제에 자주 직면한다. 본 연구에서는 그래디언트 부스팅 회귀 트리(gradient-boosted regression trees, XGBoost)를 사용하여 복잡하고 종종 비가우시안(non-Gaussian)인 가능도 지형을 에뮬레이션하도록 설계된 머신러닝 프레임워크를 제시한다. 머신러닝 접근법이 계산 효율성과 신뢰 구역(confidence region) 해상도 측면에서 갖는 장점, 특히 복잡한 상관관계나 "곡선형" 퇴화(curved degeneracy)가 있는 시나리오에서의 장점을 논의한다. 이 방법론을 반렙톤성 $B$ 메손 붕괴에서의 풍미 이상(flavour anomalies)에 대한 최근 분석에 적용하여 검증하고, 액시온 유사 입자(axion-like particles)나 우주론 전역 피팅과 같은 다른 현상론적 시스템에 대한 이 프레임워크의 적응 가능성을 논의한다. 마지막으로 SHAP(Shapley Additive exPlanations) 값을 활용하여 특징 중요도에 대한 투명한 분석을 제공하며, 머신러닝 예측이 물리적으로 해석 가능하고 기저 물리학과 일관되게 유지되도록 한다.

arXiv:2604.01313v3cs.LG

ScatterPrism: 입자 및 핵물리학에서 생성 시뮬레이션과 역문제의 수렴

ScatterPrism: convergence for generative simulation and inverse problems in particle and nuclear physics

고충실도 시뮬레이션과 검출기 모델링 및 언폴딩(unfolding)과 같은 복잡한 역문제는 아원자물리학 전반에서 계산 비용이 큰 병목이지만, 정확한 물리적 해석을 위해 필수적이다. 조건부 흐름 매칭(Conditional Flow Matching, CFM)이 견고한 가속 접근법을 제공하지만, 우리는 표준 학습 손실이 근본적으로 오도한다는 것을 보인다. 구체적으로, Jefferson Lab 핵물리학(NP) 운동학 데이터셋($γp \to ρ^0 p \to π^+π^- p$)을 활용하여, CFM 손실이 조기에 평탄화되어 진행 중인 물리적 정교화를 가린다는 것을 밝힌다. 이 불일치가 데이터셋에 무관한 병리인지 검증하기 위해, NP 데이터와 도전적인 1차원 분포 토폴로지를 모델링하는 합성 스트레스 테스트 모두에 대해 평가한 효율적인 생성 대리 모델인 ScatterPrism을 제안한다. 이러한 벤치마크를 결합하여, 물리 정보 기반 지표는 표준 손실이 수렴한 뒤에도 오랫동안 계속 개선됨을 확인한다. 그 결과, 데이터 암기 없이 진정한 운동학적 충실도를 보장하기 위한 다중 지표 진단 프로토콜을 제안한다. 다가오는 전자-이온 충돌기(Electron-Ion Collider, EIC)와 관련된 NP 과제를 동기로, 이 통합 프레임워크는 제트 모델링과 같은 고에너지물리학(High-Energy Physics, HEP) 응용으로 확장될 강한 잠재력을 지닌다. 또한 이 프레임워크는 의료 영상, 천체물리학, 정량 금융을 포함하여 엄격한 생성 신뢰성이 요구되는 더 넓은 영역에도 적용 가능성을 보인다.

arXiv:2503.18959v1physics.ins-det공식 코드 · Papers with Code

Seven-dimensional Trajectory Reconstruction for VAMOS++

The VAMOS++ magnetic spectrometer is characterized by a large angular and momentum acceptance and highly non-linear ion optics properties requiring the use of software ion trajectory reconstruction methods to measure the ion magnetic rigidity and the trajectory length between the beam interaction point and the focal plane of the spectrometer. Standard measurements, involving the use of a thin target and a narrow beam spot, allow the assumption of a point-like beam interaction volume for ion trajectory reconstruction. However, this represents a limitation for the case of large beam spot size or extended gaseous target volume. To overcome this restriction, a seven-dimensional reconstruction method incorporating the reaction position coordinates was developed, making use of artificial deep neural networks. The neural networks were trained on a theoretical dataset generated by standard magnetic ray-tracing code. Future application to a voluminous gas target, necessitating the explicit inclusion of the three-dimensional position of the beam interaction point within the target in the trajectory reconstruction method, is discussed. The performances of the new method are presented along with a comparison of mass resolution obtained with previously reported model for the case of thin-target experimental data.

arXiv:2512.07074v3stat.AP

민첩 매개변수(nuisance parameter)가 있는 경우 단면적 측정을 위한 머신러닝 기반 언폴딩

Machine Learning-based Unfolding for Cross Section Measurements in the Presence of Nuisance Parameters

OmniFold를 확장한 Profile OmniFold는 순방향 모델이 근사적으로만 지정되고 민첩 매개변수(nuisance parameter)로 불확실성이 표현되는 경우에도 머신러닝 기반 언폴딩(unfolding)을 수행하도록, EM 반복마다 시뮬레이션 데이터 가중치와 민첩 매개변수를 동시에 갱신한다. 가우시안 예시와 대형 강입자 충돌기(LHC) CMS 실험 시뮬레이션 데이터 사례에서 효과를 검증했다.

arXiv:2606.19781v1hep-ex

사전학습 데이터 구성을 통한 스케일링 법칙 설계를 향하여

Towards Engineering Scaling Laws with Pretraining Data Composition

신경망 스케일링 법칙은 연산량, 모델 크기, 데이터셋 크기에 따라 모델 성능이 멱법칙으로 어떻게 향상되는지 설명합니다. 대규모 언어 모델(LLM)에서는 잘 정립되어 있지만, 입자 물리학의 대규모 모델에서는 이러한 관계가 등장하고 있습니다. 언어의 경우와 마찬가지로, 실증적 연구는 성능이 멱법칙으로 스케일링됨을 보여줍니다. 그러나 자연어나 이미지 도메인과 달리, 기초 물리학은 합성 데이터를 저렴하게 생성할 수 있는 고충실도 시뮬레이터를 보유하고 있습니다. 이는 추가 파라미터보다 추가 데이터가 더 저렴한 스케일링 체제를 선호하게 하며, 스케일링에 영향을 미치도록 사전학습 데이터셋 자체를 설계할 수 있게 합니다. 고에너지 입자 빔 충돌에서 생성되는 하드론 제트를 분류하는 작업에 대해, 우리는 다운스트림 분류 작업과 더 잘 정렬되고 더 다양한 사전학습 데이터를 포함함으로써, 더 큰 모델보다 더 많은 데이터를 요구하는 쪽으로 스케일링 거동을 설계할 수 있음을 보여줍니다.

arXiv:2507.18824v2hep-ph

모델 오지정 하에서 극 위치 추정을 위한 심층 신경망 구동 시뮬레이션 기반 추론 방법

Deep Neural Network Driven Simulation Based Inference Method for Pole Position Estimation under Model Misspecification

시뮬레이션 기반 추론(SBI)은 특정 모델 오지정 사례에서 전통적인 카이제곱 최소화보다 더 정확한 공진 매개변수 추정치를 산출하는 것으로 나타났으며, 이는 파이-파이 산란과 rho(770) 공진에 대한 사례 연구를 통해 입증되었습니다. 카이제곱 최소화를 사용하여 일부 데이터셋에 적합된 모델은 rho(770)에 대해 부정확한 극 위치를 예측할 수 있는 반면, SBI는 동일한 모델과 데이터에 대해 더 견고한 예측을 제공합니다. 이 결과는 SBI가 모델 오지정을 처리할 수 있다는 개념 증명으로서 의미가 있으며, 파이-파이 산란의 정확한 모델링은 많은 현대 물리 시스템(예: a1(1260), omega(782))의 연구에 필수적이기 때문입니다. 시뮬레이션 기반 추론 방법은 파이-파이 산란과 rho(770) 공진에 대한 사례 연구에서, 특정 모델 오지정 사례에서 전통적인 카이제곱 최소화보다 더 정확한 공진 매개변수 추정으로 이어지는 것으로 나타났습니다. 카이제곱 최소화를 사용하여 특정 데이터셋에 적합된 모델은 rho(770)의 극 위치에 대해 부정확한 예측을 할 수 있습니다. SBI는 극 위치에 대해 더 견고한 예측을 하는 것으로 나타났습니다. 이는 SBI 방법이 모델 오지정 사례에 사용될 수 있다는 개념 증명으로서 의미가 있으며, 파이-파이 산란 모델은 현대의 관심 대상인 많은 물리 시스템(예: a1(1260), omega(782))의 중요한 구성 요소이기 때문입니다.

arXiv:2606.03745v1hep-ph

신경망을 사용한 중성미자 질량 순서 예측

Predicting the Neutrino Mass Ordering Using Neural Networks

중성미자 질량 순서 결정은 입자 물리학에서 여전히 핵심적인 미해결 문제로 남아 있습니다. 차세대 장거리 기준선(long-baseline) 실험이 이 문제를 해결할 것으로 기대되지만, 정상 순서(normal ordering)와 역전 순서(inverted ordering) 사이의 스펙트럼 차이가 미묘하고 매개변수(parameter) 축퇴(degeneracy)와 얽혀 있어 현재 데이터는 제한된 감도(sensitivity)만을 제공합니다. 우리는 3가지 맛(flavor) 진동 확률, 물질 효과, 통계적 변동을 사용하여 생성된 합성 장거리 기준선 데이터셋(dataset)에서 학습(training)된 피드포워드 신경망(neural network) 분류기를 사용하여 질량 순서 결정을 위한 머신러닝 전략을 조사합니다. 우리는 감도(sensitivity)를 정량화하고 순도(purity) 또는 효율성(efficiency)을 우선시하기 위해 작동 지점(operating point)을 선택하는 방법을 설명하기 위해, 수신자 조작 특성(ROC) 곡선을 포함한 일반적인 판별 지표를 사용하여 표준 $χ^2$ 및 $\log\mathcal{L}$ 접근 방식에 대해 분류기를 평가(evaluation)합니다. 우리는 연구된 시나리오에서 신경망이 기존 적합(fit) 방법과 비슷한 성능을 달성함을 발견했으며, 이는 확립된 분석에 대한 유연하고 독립적인 교차 검증(cross-check)을 제공합니다. 이 프레임워크는 계통적 불확실성을 통합하고 진동 매개변수의 결합 추론(inference)을 탐색하도록 확장될 수 있으며, 중성미자 물리학에 머신러닝 방법을 도입하기 위한 교육용 도구로도 사용될 수 있습니다.

arXiv:2511.01352v2cs.LG

MiniFool -- 심층 신경망에서의 물리적 제약을 고려한 최소화 기반 적대적 공격

MiniFool -- Physics-Constraint-Aware Minimizer-Based Adversarial Attacks in Deep Neural Networks

본 논문에서는 입자 및 천체입자 물리학에서 신경망 기반 분류(classification) 작업을 테스트하기 위해 물리학적 영감을 받은 적대적 공격을 구현하는 새로운 알고리즘인 MiniFool을 제시합니다. 우리는 처음에 아이스큐브 중성미자 관측소(IceCube Neutrino Observatory)에서 천체물리학적 타우 중성미자를 탐색하기 위해 이 알고리즘을 개발했지만, 다른 과학 분야의 추가 데이터에도 적용하여 그 범용성을 입증했습니다. 여기서 우리는 잘 알려진 MNIST 데이터셋과 대형 강입자 충돌기(Large Hadron Collider)의 CMS 실험에서 나온 공개 데이터(Open Data)에 이 알고리즘을 적용합니다. 이 알고리즘은 $χ^2$ 기반 검정 통계량과 원하는 목표 점수로부터의 편차를 결합한 비용 함수를 최소화하는 것을 기반으로 합니다. 검정 통계량은 실험적 불확실성을 바탕으로 데이터에 적용된 섭동의 확률을 정량화합니다. 우리가 연구한 사용 사례에서, 분류 결과가 뒤집힐 가능도(likelihood)는 초기에 올바르게 분류된 사건과 잘못 분류된 사건 모두에 대해 다르다는 것을 발견했습니다. 실험적 불확실성을 조정하는 공격 매개변수(parameter)의 함수로서 분류의 변화를 테스트할 때, 네트워크 결정의 강건성을 정량화할 수 있습니다. 또한, 이를 통해 레이블이 없는 실험 데이터의 분류 강건성을 테스트할 수 있습니다.