표준모형의 여러 기본 입자들 중 탑 쿼크는 그 질량이 매우 크기 때문에 다른 쿼크와 합쳐져 강입자를 만들기 전에 붕괴한다. 이는 탑 쿼크만이 가진 특징으로 탑 쿼크를 공부하는 것은 쿼크 그 자체의 성질을 밝혀내는 데 중요한 역할을 한다.

테바트론(Tevatron)은 이러한 탑 쿼크의 다양한 특성에 대해 매우 정밀하게 연구해왔다. 이 가운데 검출기의 이해가 매우 중요한 탑 쿼크의 질량 측정과, 초기 충돌 입자의 구성이 중요한 전후 비대칭(forward-backward asymmetry) 측정은 테바트론만의 고유한 영역이므로 지금 가동되는 LHC 실험으로는 측정이 힘든 부분이다. 그러나 테바트론 가속기는 현재 가동을 멈춘 상태이기 때문에 추가적인 데이터를 얻어 결과의 정확도를 올릴 수가 없다. 따라서 이미 얻은 데이터를 더 효율적으로 사용하는 방법을 개발하는 것이 필수적이다. 이를 위해 이 논문에서는 신경 네트워크(neural network)를 이용하여 -tt 렙톤+제트 사건(event)의 재구성 방법을 개선하는 연구를 진행하였다.

이 논문에서는 탑 쿼크의 몬테카를로(Monte Carlo, MC) 시뮬레이션 데이터를 이용하여, -tt 렙톤+제트 사건에서 발생하는 4개의 제트를 원래의 쿼크로 재구성하는 과정에 신경 네트워크를 사용하였다. 이 결과를 χ² 피팅(fitting)을 이용한 재구성 방법과 비교 하였을 때, 신경 네트워크를 이용한 방법이 기존의 고전적 재구성 방법에 비해 동일한 효율(efficiency)에서 더 높은 순도(purity)를 가짐을 확인할 수 있었다.

또한 이 방법을 탑 쿼크의 질량 재구성에 사용하여 재구성된 질량과 원 질량을 비교한 결과, 신경 네트워크 방법을 이용하는 것이 훨씬 좋은 해상도(resolution)를 얻을 수 있었다. 전후 비대칭 측정에 사용되는 신속도(rapidity)의 재구성된 값과 원 값을 비교하였을 때에도 신경 네트워크 방법으로 개선된 결과를 얻을 수 있음을 확인하였다. MC 시뮬레이션 데이터에 대한 연구 결과는 신경 네트워크를 활용한 방법이 다른 방법에 비해 같은 양의 데이터를 이용한 탑 쿼크 측정에서 유의미한 개선을 이루어냄을 보인다.