본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

표제지

목차

논문개요 8

I. 서론 10

II. tt 사건과 재구성 방법[이미지참조] 16

III. 재구성된 측정값의 비교 21

A. Mtop 측정[이미지참조] 21

B. AFB 측정[이미지참조] 29

IV. 결론 및 논의 38

참고문헌 39

ABSTRACT 42

표목차

〈표 1〉 각각 다른 Mtop 값을 사용한 표본에서의 mtreco-Mtop 분포의 평균과 RMS.[이미지참조] 28

〈표 2〉 각각 표준 모형의 tt 표본과 액시글루온(axigluon, AG)을 사용한 표본에서의...[이미지참조] 36

그림목차

[그림 1] 탑 쿼크 질량과 W 보손 질량을 이용한 힉스 질량의 간접적 범위 비교. 점선... 11

[그림 2] 테바트론의 각 검출기에서 관측된 탑 쿼크의 AFB 오차 범위가 크기 때문에...[이미지참조] 12

[그림 3] tt 렙톤+제트 채널의 파인만 다이어그램.[이미지참조] 13

[그림 4] b 태그의 수가 각각 2개, 1개, 0개일 때 재구성된 탑 쿼크의 질량 분포. b 태... 14

[그림 5] 신경 네트워크의 구조. 각각의 원이 인공 뉴런 역할을 하는 노드이며, 화살표... 19

[그림 6] 신경 네트워크에서 학습을 하는 과정. 학습을 할 때 출력된 결과값과 기댓값... 19

[그림 7] 시기수와 오차의 상관관계 그래프. 위의 그림 6에서 기댓값과 결과값의 차이... 20

[그림 8] Mtop ＝ 173 GeV/c²일 때 표준 모형의 tt 표본을 사용하여 Mtop을 측정하기...[이미지참조] 22

[그림 9] Mtop을 재구성하기 위해 실행한 신경 네트워크의 노드를 나타낸다. 각...[이미지참조] 23

[그림 10] Mtop을 측정하기 위해, Mtop ＝ 173 GeV/c²일 때 표준 모형의 tt 표본을...[이미지참조] 24

[그림 11] Mtop ＝ 173 GeV/c²일 때 신경 네트워크 방법과 χ² 방법의 순도와 효율 사...[이미지참조] 25

[그림 12] Mtop ＝ 168 GeV/c²일 때 신경 네트워크 방법과 χ² 방법의 순도와 효율 사...[이미지참조] 25

[그림 13] Mtop ＝ 178 GeV/c²일 때 신경 네트워크 방법과 χ² 방법의 순도와 효율 사...[이미지참조] 26

[그림 14] Mtop ＝ 173 GeV/c²일 때 신경 네트워크 방법(실선)과 χ² 방법(점선)을...[이미지참조] 27

[그림 15] 신경 네트워크 방법(굵은 실선)과 χ² 방법(굵은 점선)을 사용한 168 GeV/c²... 28

[그림 16] AFB를 재구성하기 위해 실행한 신경 네트워크의 노드를 나타낸다. 각...[이미지참조] 30

[그림 17] AFB를 측정하기 위해, Mtop ＝ 173 GeV/c²일 때 표준 모형의 tt 표본을 이...[이미지참조] 31

[그림 18] AFB를 측정하기 위해, Mtop ＝ 173 GeV/c²일 때 표준 모형의 tt 표본을...[이미지참조] 32

[그림 19] AFB를 측정하기 위해, Mtop ＝ 173 GeV/c²일 때 액시글루온(axigluon)...[이미지참조] 32

[그림 20] 표준 모형을 사용했을 때 신경 네트워크 방법과 χ² 방법의 순도와 효율 사... 33

[그림 21] 액시글루온 모형을 사용했을 때 신경 네트워크 방법과 χ² 방법의 순도와... 33

[그림 22] 표준 모형 tt 표본의 △yreco-△ytrue의 분포. 각각 신경 네트워크 방법(실선)...[이미지참조] 35

[그림 23] 액시글루온 표본의 △yreco-△ytrue의 분포. 각각 신경 네트워크 방법(실선)과...[이미지참조] 36

초록보기

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.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차