입자 물리학 파운데이션 모델을 활용한 궤적 추적 및 입자 식별 성능 평가

원문 발행 2026. 10. 22. 21:32원문 언어 영어AI 한국어 번역arXiv cs.LG (Machine Learning) 원문 보기

요약

고에너지 입자 물리학 실험에서 발생하는 대량의 희소 데이터를 분석하기 위해 Foundation Model을 활용했습니다. 시간 투영 챔버(TPC) 데이터셋 기반 재구성 및 패턴 인식 작업을 평가한 결과, 기존 방식 대비 성능이 크게 향상됨을 확인했습니다. 또한, 모델이 초기 학습 목표와 무관한 추가적인 다운스트림 작업까지 적응할 수 있음을 입증했습니다.

핵심 포인트

Foundation Model은 대규모 희소 데이터 분석에 효과적임.
TPC 데이터를 활용한 재구성 성능이 기존 방식보다 크게 향상됨.
모델이 초기 학습 목표 외 추가 작업까지 적응할 수 있음을 입증함.

현대 고에너지 핵 및 입자 물리학 실험은 물리 분석을 수행하기 전에 크기를 크게 줄여야 하는 대량의 희소 데이터(sparse data)를 생성합니다. 최근에는 데이터 분석을 위한 잠재적 도구로서 Foundation Model을 평가하려는 노력이 있었습니다. 이러한 모델들은 학습하는 다중 모드 데이터(multi-modal data)를 기반으로 고차원 데이터셋에서 특징(feature)을 학습하는 것으로 나타났습니다.

자기장 내에서 전하 입자를 재구성하는 것과 같은 복잡한 패턴 인식 작업을 수행하는 효과를 보여주기 위해, 우리는 시간 투영 챔버(Time Projection Chamber)의 공간점(spacepoint)으로 구성된 데이터셋을 사용하여 Foundation Model 기반 재구성을 여러 다운스트림 작업(downstream tasks)에 걸쳐 평가했습니다.

우리는 Foundation Model 기반 데이터 분석의 성능이 기존 방식보다 크게 향상되며, 나아가 초기 학습 목표와 반드시 관련되지 않은 추가적인 작업까지 학습하도록 적응될 수 있음을 보여줍니다.

AI 자동 생성 콘텐츠

원문 바로가기

입자 물리학 파운데이션 모델을 활용한 궤적 추적 및 입자 식별 성능 평가

요약

핵심 포인트

댓글