요약
CERN과 미스트랄이 LHC 충돌 데이터로 물리학 기초 모델을 함께 만들기로 했습니다.
CERN(유럽입자물리연구소)이 10월 15일 프랑스 AI 기업 미스트랄과 장기 전략 파트너십 의향서에 서명했다고 발표했습니다. CERN의 물리학 지식과 과학 데이터, 대규모 컴퓨팅 역량에 미스트랄의 대형 모델 학습 경험을 더해 과학 연구용 기초 모델을 만드는 것이 목표입니다.
왜 중요한가
- 지금은 여러 전용 알고리즘을 이어 붙여 처리하는 충돌 재구성을 모델 하나로 해 보려는 시도입니다.
- 2030년 무렵 가동될 고광도 LHC(HL-LHC)는 충돌 수가 10배로 늘어 데이터 처리 부담이 크게 커집니다.
- 출발점은 고에너지 물리학이지만, 이후 더 넓은 과학계가 쓸 AI 방법으로 이어질 수 있다고 했습니다.
핵심 내용
- 중심 과제는 충돌 물리학 최초의 기초 모델(여러 작업에 두루 쓰도록 미리 학습한 대형 모델)인 Large Physics Model입니다.
- 이 모델은 LHC의 양성자-양성자 충돌 시뮬레이션 수십억 건으로 학습합니다.
- 충돌 재구성, 입자 식별, 예상 밖 신호 탐지, 미래 검출기 설계 평가를 한 모델에서 하려고 합니다.
- CERN은 지금까지 LHC 실험 데이터를 약 1엑사바이트(100만 테라바이트) 쌓아 두었습니다.
- 엔리카 포르카리 CERN 최고정보책임자는 고에너지 물리학이 AI를 개발하고 시험하기에 독특한 환경이라고 말했습니다.
HN 반응
- 미국 대형 AI 기업 대신 유럽 업체를 고른 것을 반기는 의견과, 뒤처진 미스트랄에 유럽 AI 육성용 돈을 대는 정치적 선택이라는 반론이 맞섰습니다.
- CERN 출신 이용자들은 새 분석 기법 도입이 보수적이었다고 회고했고, 2012년 힉스 발견 논문에도 이미 신경망이 쓰였다는 반박이 나왔습니다.
와, 제가 CERN에서 박사 과정을 밟던 때는 쓰도록 허용된 것 중에 제일 파격적인 게 부스티드 결정 트리(boosted decision tree)였어요 :) 힉스 관련 분석에 그 밖의 방법을 승인받는다는 건… 어림도 없는 일이었죠.
신호와 배경을 분리하는 데 신경망을 쓰는 건 힉스 발견 논문이 나온 2012년경에는 꽤 표준적이었습니다. LHC가 가동되기 전에 나온 CDF와 DZero 논문들에서도 꽤 표준적이었고요.
https://arxiv.org/abs/1207.7214 - 최초의 ATLAS 힉스 발견 논문은 광자를 식별하는 데 신경망을 씁니다. H->WW 신호 대 잡음비를 높이려고 신경망 b-태거도 씁니다.
https://arxiv.org/abs/1303.0763 - tt+jets 잡음을 추가로 걸러내는 데 신경망을 썼습니다. https://arxiv.org/abs/1503.05066 - 신호/배경 분리에 신경망을 썼습니다.
네, 맞는 말씀이에요. 저도 그런 작업 일부에 참여했고요. 그래도 실제 분석은 대개 전부 컷 기반이었어요.
음, 제가 방금 부스티드 결정 트리보다 더 이색적인 기법을 쓴 "실제 분석"을 링크해 드린 것 같은데요.
제가 틀렸네요 :) tt 쪽은 알고 있었는데 7 TeV 광자 분석은 전혀 몰랐어요! 오늘도 하나 배웠습니다 :)
데이터 분석에 다른 방법을 시도해 보는 데도 승인이 필요했다고요?
여기서 하는 일은 사건(입자 충돌)을 여러 개 골라서 표준 모형(힉스든 뭐든 찾고 있는 것을 뺀 것)의 시뮬레이션과 비교하는 것입니다. 유의미한 초과가 있으면 뭔가를 찾은 겁니다.
한 가지 시나리오, 그리고 사람들이 신경을 곤두세웠던 부분은 컷을 정말 제멋대로 만들어서, 우연히 시뮬레이션 사건은 너무 적고 데이터 사건은 너무 많은 영역을 골라낼 수 있다는 점입니다. 예를 들면 "첫 번째 뮤온의 운동량이 15.6 GeV보다 크되, 20.1 GeV에서 20.3 GeV 사이는 제외하고, 단 제트가 3개면 선택 기준은 이렇게..." 하는 식이죠. 뭔가 나올 때까지 온갖 영역을 시도해 보는 겁니다. 그래서 분석의 모든 단계를 정당화할 수 있어야 하고, BDT는 신경망보다 설명하기 쉽습니다(본질적으로 단순한 컷을 학습시켜 늘어놓은 목록일 뿐이니까요). 또 하나 자주 쓰는 방법이 블라인드 분석인데, 모든 것이 확정되고 고정된 뒤에야 실제 데이터를 보는 방식입니다.
체리 피킹 말고도 어떤 방법을 쓸 수 있는지를 좌우하는 문제가 더 있습니다. 예를 들어 시뮬레이션은 변수 사이의 모든 상관관계를 반영하지 못하고 하드웨어 트리거도 완벽하게 흉내 내지 못합니다. 그래서 특정 컷에 대해 시뮬레이션과 실제 데이터가 다르게 행동할 수 있습니다.
그렇다고 다른 방법을 시도하는 게 아예 금지되어 있는 건 아닙니다. 제가 입자물리학을 할 때(ATLAS와 D0)도 NN을 비롯해 온갖 창의적인 시도를 해 봤습니다. 다만 수백 명의 공동 연구자가 논문에 이름을 올리도록 설득해야 하고 내부 동료 심사도 통과해야 하는데, 이게 좀 보수적이고 답답하게 느껴질 수 있습니다.
듣기만 해도 꽤 답답했을 것 같아요. 저는 입자물리학과는 무관한 일개 SWE지만, 제 직장은 제가 어떤 일회성 아이디어에 토큰값으로 3만 달러를 태워도 문제 삼지 않거든요.
CERN은 왜 그렇게까지 선별적이어야 했나요? 자금이 부족해서였나요? 입자 충돌이 특별히 비싼가요? "충돌기 사용 시간"을 두고 경쟁하는 건가요? 제한 요인이 뭐였는지 궁금해요.
실험 하나에 수백 명의 공동 연구자 지지가 필요하다면 저는 아마 정신이 나가 버릴 것 같아요.
한번은 허수를 써도 된다는 허락을 받는 데 두 달이나 걸렸대요.
더 자세히 얘기해 주세요!
그때 이후로 정말 많이 발전했죠. 저는 최근에 제트(jet)를 위한 자기지도 파운데이션 모델로 석사 논문을 마쳤어요 :)
CERN의 특징은 이렇습니다. 지구에서 가장 똑똑하고 많이 배운 사람들이 모여 있고, 모두가 탁월해지려고 의욕이 넘칩니다.
사람이 있을 수 있는 환경 중에서 가장 멋진 곳 가운데 하나입니다. 당당하게 방에 틀어박혀서 문제 하나를 풀 수 있거든요.
이게 뭔가 멋진 일의 시작이길 정말 바랍니다.
드디어! SWE로서 저는 과학자들만 쏙 빠지는 건 아닌지 걱정하고 있었거든요. 지금 SWE와 수학자들이 즐겁게 회원으로 활동 중인, 대체될까 봐 점점 더 불안해하는 사람들의 모임에서요.
우리 식구다! 우리 식구다!
절망의 구덩이로 어서 오세요!
이 일에는 정말 멋진 면이 있지만 슬픈 면도 있습니다.
예전에는 CERN이 미국 연구소들과 파트너십을 맺었을 겁니다. 미국은 CERN 회원국은 아니지만, 옵서버 지위임에도 과거에 많은 자금을 대 왔습니다. 요즘은 자금이 삭감되고 있고, 미국은 더 이상 믿을 만한 파트너로 여겨지지 않으며, 유럽 파트너가 중요하게 여겨집니다. 슬픈 일입니다.
그렇다 해도 미스트랄은 잘됐다 싶고, CERN에 훌륭한 파트너가 되어 줄 거라고 믿습니다.
유럽의 대학 네트워크와 예산이 부족한 연구실들이 하루빨리 다른 유럽 국립 연구 센터들과 힘을 합치길 바랍니다.
이미 그렇게 되어 있지 않다면 오히려 놀랄 것 같습니다. CERN 자체가 이미 다국적 협력 프로젝트이고, GÉANT https://geant.org/ 같은 것도 있으니까요.
기초 연구의 훌륭한 진전이고, 미스트랄이 이를 이끌고 있다니 정말 기쁩니다.
충분히 납득이 가는 일이고, CERN이 EU 공급업체에 주목한다니 반갑습니다.
정치적으로는 납득이 가지만, 과학 발전을 위해서도 최선의 선택인지는 잘 모르겠어요. 미스트랄은 창업 이후 줄곧 시류에 뒤처져 있었잖아요.
제안된 LHC 모델을 위해 더 맞춤형 솔루션을 기꺼이 만들어 주겠다는 회사가 미스트랄뿐이었다면 이해가 되죠. 하지만 프런티어 연구소들한테는 엄청난 홍보 거리였을 텐데 그럴 것 같지는 않아요.
오히려 CERN의 돈을 미스트랄로 옮겨서 유럽 AI를 키우려는 노력처럼 보여요.
인터넷 2.0, 우리가 간다!
좋은 소식이네요. 마음껏 해보게 놔둬 봅시다.
제목이 달랐다면 훨씬 더 많은 반응을 얻었을 텐데요.
예: CERN과 미스트랄, 대형 잠재 모델이 물리학을 발전시킬 수 있는지 평가한다
진짜 과학을 가속하는 데 양강 구도(duopoly)가 끼지 않는다니 반가운 소식이네요.
저는 AI에 반대하는 입장은 전혀 아니지만, 현대적인(LLM/CoT/에이전트) AI에서 진짜 과학적 기여가 나오는지는 아직도 숨죽이고 지켜보는 중입니다. "AI가 초풍요를 현실로 만들 것"이라는 주장의 상당 부분은 일상에 영향을 주는 AI 주도 과학이 나오느냐에 달려 있습니다. 앤트로픽의 CRISPR 비슷한 발견은 그다지 설득력 있어 보이지 않았는데, 그게 제가 본 것 중에는 여전히 가장 나은 사례입니다. 저를 낙관론자로 만들 만한 더 희망적인 이야기가 있다면 알려 주세요 ;)
수학이나 이론 컴퓨터 과학은 "진짜 과학"이 아닌가요? 과정을 어떻게 보든, 결과는 진짜고 LLM에서 나오고 있잖아요.
진짜 과학 맞죠.
제 생각에 원래 글이 놓치고 있는 건, 과학의 돌파구가 곧바로 공학의 돌파구로 이어지지 않고, 경제성 있는 제품으로는 더더욱 바로 이어지지 않는다는 점입니다.
그 과정이 새로운 발견의 과정보다 AI 덕에 더 빨라질 것 같은데요.
많은 사람이 구분하는 지점은, 수학과 CS는 LLM에 아주 자연스러운 분야(그리고 중요하게도 빠르게 반복하고 검증할 수 있는 분야)처럼 느껴진다는 겁니다. 생물학처럼 물리적 실험이 많이 필요한 분야에는 훨씬 덜 들어맞고요.
공교롭게도(그리고 불편하게도) 그런 분야가 일반인이 발전 가속의 효과를 가장 크게 체감할 분야이기도 합니다. 다리오가 암과 치매 치료법을 약속한 건 유명하죠.
수학과 과학 사이에는 꽤 뚜렷한 구분이 있다고 생각합니다. 전자는 어떤 공리와 가정이 무엇을 함의하는지에 대한 이론적 모형을 만듭니다. 후자는 현실 세계에서 보고 측정하는 것에 대한 실제 모형을 만듭니다.
수학의 발전은 아마 과학의 발전으로 이어지고, 그것이 다시 공학의 발전으로 이어질 겁니다(보통 사람이 일상에서 실질적인 혜택을 보는 곳은 아마 여기일 겁니다). 하지만 자동으로 되는 건 아니고, AI가 내놓은 수학 결과를 두고 수학자들이 하는 걱정의 상당 부분에는 "(AI의) 이런 증명 찾기 방식이 과연 전통적인 방식만큼 많은 후속 발전으로 이어질까?"가 들어 있습니다.
(저는 이론 CS를 수학의 하위 분야로 보며, 이름의 S(science)는 잘못 붙은 말이라고 생각합니다.)
게다가 공학은 또 별개입니다.