[論文レビュー] xBIT: an easy to use scanning tool with machine learning abilities

Florian Staub|arXiv (Cornell University)|Jun 7, 2019

Computational Physics and Python Applications被引用数 5

ひとこと要約

xBIT は、SLHA 形式を介して SARAH/SPheno、MicrOmegas、HiggsBounds、HiggsSignals、Vevacious といった既存の高エネルギー物理学（HEP）ツールを統合した、オープンソースで Python で作られた、標準模型を越えた理論（BSM）におけるパラメータ空間の探索用スキャンツールです。グリッドスキャン、ランダムスキャン、および PyTorch を用いた機械学習ベースのスキャンをサポートしており、実験的および理論的制約のもとで有効な BSM モデルを効率的に特定できます。

ABSTRACT

xBIT is a tool for performing parameter scans in beyond the Standard Model theories. It's written in Python and fully open source. The main purpose of xBIT is to provide an easy to use tool to help phenomenologists with their daily task: exploring the parameter space of new models. It was developed under the impression of the SARAH/SPheno framework, but should be use-able with other tools as well that use the SLHA format to transfer data. It also supports by default MicrOmegas for dark matter calculations, HiggsBounds and HiggsSignals for checking the Higgs properties, and Vevacious for testing the vacuum stability. Classes for other tools can be added if necessary. In order to improve the efficiency of the parameter scans, the recently proposed 'Machine Learning Scan' approach is included. For this purpose, xBIT uses pyTorch to deal with artificial neural networks.

研究の動機と目的

• 標準模型を越えた新しい物理モデルのパラメータ空間を、素人にも使いやすく効率的に探索できるツールを提供すること。
• SARAH/SPheno、MicrOmegas、HiggsBounds、HiggsSignals、Vevacious といった広く使われている HEP ツールを、SLHA 形式を介して統合し、一元化されたスキャンフレームワークを構築すること。
• PyTorch を用いた機械学習ベースのスキャン（MLS）を実装し、スキャンの効率性と収束性を向上させること。
• モジュラークラス定義により、ユーザーが新しいツールやスキャンタイプを簡単に追加できるように、拡張性を確保すること。

提案手法

• ツールは Python で作られ、外部 HEP コードのプラグイン可能な統合を可能にするモジュラーなアーキテクチャを採用。ツールとスキャンタイプごとに別々のクラスを定義。
• 標準的なスキャンタイプ（グリッドスキャン：システム的パラメータスイープ、ランダムスキャン：確率的サンプリング）をサポート。パラメータ範囲と観測量は設定可能。
• 機械学習スキャン（MLS）アプローチでは、PyTorch を用いて人工ニューラルネットワークを訓練し、有効なパラメータ領域を予測することで、完全なモデル評価回数を削減。
• 入力は、ツールのパスとコマンドを設定する設定ファイルと、スキャンパラメータと制約を定義するスキャンファイルの2つの JSON ファイルで管理。
• 出力処理では、ツールの結果（例：HiggsBounds、HiggsSignals）を自動的に解析し、後続の解析に備えて SLHA 形式のスペクトルファイルに結果を統合。
• 新しいツールやスキャンタイプは、ベースクラス（例：`NewTool` と `NewScan`）を継承し、`run()` および `generate_parameter_points()` メソッドを定義することで実装可能。

実験結果

リサーチクエスチョン

• RQ1 BSM 理論におけるパラメータ空間探索を、素人にとってより効率的かつアクセスしやすくする方法は何か？
• RQ2 機械学習は、大規模な BSM モデルのスキャンにおける計算コストをどの程度削減できるか？
• RQ3 一貫した入出力処理を備えた、多様な HEP ツールを統合できる、モジュラーかつ拡張可能なフレームワークをどのように設計できるか？
• RQ4 統一されたスキャンツールは、ヒッグス精度観測量、ニュートリノの残存密度、真空安定性の制約を効果的に統合できるか？
• RQ5 複雑な BSM モデルにおいて、MLS が従来のグリッドスキャンやランダムスキャンに比べてどの程度性能向上を達成できるか？

主な発見

• xBIT は、SPheno、MicrOmegas、HiggsBounds、HiggsSignals、Vevacious といった既存の HEP ツールを共通の SLHA インターフェースを介して統合することで、BSM モデルにおける効率的かつ再現可能なパラメータスキャンを可能にした。
• 従来のグリッドスキャンとランダムスキャンに加え、PyTorch を用いた機械学習スキャン（MLS）をサポートしており、有効なパラメータ領域への収束を加速している。
• MLS アプローチは、過去のスキャン結果から学習することで、必要なモデル評価回数を削減し、スキャンの効率性を顕著に向上させた。
• モジュラー設計により、ユーザーは単純なクラス継承と設定の追加で、新しいツールやスキャンタイプを容易に拡張でき、長期的な保守性を確保している。
• ツールは完全にオープンソースであり、GitHub で公開されており、詳細なドキュメンテーションと Python 2 および 3 の両方のサポートを備えている（ただし、Python 3 の使用が推奨される）。
• フレームワークは、MSSM への応用において成功裏に機能し、ヒッグス信号強度、ダークマターの残存密度、真空安定性といった複数の制約を伴う複雑なモデルを効果的に処理できる能力を示した。