[논문 리뷰] xBIT: an easy to use scanning tool with machine learning abilities

Florian Staub|arXiv (Cornell University)|2019. 06. 07.

Computational Physics and Python Applications인용 수 5

한 줄 요약

xBIT는 SLHA 포맷을 통해 SARAH/SPheno, MicrOmegas, HiggsBounds, HiggsSignals, Vevacious와 같은 기존의 고에너지물리(HEP) 도구를 통합한 오픈소스이자 파이썬 기반의 스캐닝 도구로, 표준모형을 초월하는 이론(BSM) 이론의 매개변수 공간을 탐색하는 데 사용됩니다. 그리드, 무작위, 그리고 파이토치를 활용한 기계학습 기반 스캔을 지원하여 실험적 및 이론적 제약 조건 하에서 유효한 BSM 모델을 효율적으로 식별할 수 있습니다.

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.

연구 동기 및 목표

• 표준모형을 초월하는 새로운 물리 모델의 매개변수 공간을 현상학자들이 효율적으로 탐색할 수 있도록 사용자 友好的이고 오픈소스인 도구를 제공하는 것.
• SARAH/SPheno, MicrOmegas, HiggsBounds, HiggsSignals, Vevacious와 같은 널리 사용되는 HEP 도구들을 SLHA 포맷을 통해 통합한 단일 스캐닝 프레임워크로 통합하는 것.
• 파이토치를 활용한 기계학습 기반 스캔(MLS)을 포함한 고급 스캔 기법을 구현하여 스캔의 효율성과 수렴 속도를 향상시키는 것.
• 모듈러 클래스 정의를 통해 사용자가 새로운 도구와 스캔 유형을 쉽게 추가할 수 있도록 확장성을 제공하는 것.

제안 방법

• 도구는 파이썬으로 구현되었으며, 외부 HEP 코드의 플러그인 방식 통합을 가능하게 하는 모듈러 아키텍처를 사용하며, 도구와 스캔 유형에 대해 별도의 클래스를 정의합니다.
• 표준 스캔 유형인 그리드 스캔(체계적 매개변수 스윕)과 무작위 스캔(스토케스틱 샘플링)을 지원하며, 설정 가능한 매개변수 범위와 관측량을 제공합니다.
• 기계학습 스캔(MLS) 방법은 파이토치를 사용해 인공 신경망을 훈련시켜 유효한 매개변수 영역을 예측함으로써 전체 모델 평가 횟수를 줄입니다.
• 입력은 두 개의 JSON 설정 파일을 통해 관리됩니다: 도구 경로와 명령어를 설정하는 설정 파일, 스캔 매개변수와 제약 조건을 정의하는 스캔 파일.
• 출력 처리는 도구 결과(예: HiggsBounds, HiggsSignals)의 자동 파싱 및 SLHA 형식의 스펙트럼 파일에 결과를 주입하여 후속 분석을 가능하게 합니다.
• 새로운 도구와 스캔 유형은 기본 클래스(예: `NewTool` 및 `NewScan`)를 상속하고 `run()` 및 `generate_parameter_points()` 메서드를 정의함으로써 구현됩니다.

실험 결과

연구 질문

• RQ1 BSM 이론에서의 매개변수 공간 탐색은 어떻게 더 효율적이고 접근 가능하게 만들 수 있는가?
• RQ2 기계학습은 큰 BSM 모델의 스캔에 있어 계산 비용을 얼마나 줄일 수 있는가?
• RQ3 다양한 HEP 도구를 일관된 입력/출력 처리 방식으로 통합할 수 있는 모듈러이고 확장 가능한 프레임워크는 어떻게 설계할 수 있는가?
• RQ4 통합된 스캐닝 도구는 힉스 정밀 관측량, 암흑물질 잔류 밀도, 진공 안정성 등의 제약 조건을 효과적으로 통합할 수 있는가?
• RQ5 복잡한 BSM 모델에서 전통적인 그리드 스캔 또는 무작위 스캔 대비 MLS의 성능 향상은 어느 정도인가?

주요 결과

• xBIT는 SPheno, MicrOmegas, HiggsBounds, HiggsSignals, Vevacious와 같은 기존의 HEP 도구들을 공통의 SLHA 인터페이스를 통해 통합함으로써 BSM 모델에서 효율적이고 재현 가능한 매개변수 스캔을 가능하게 합니다.
• 도구는 전통적인 그리드 스캔과 무작위 스캔 외에도, 파이토치를 활용해 수렴 속도를 높이는 기계학습 스캔(MLS)을 지원합니다.
• MLS 접근법은 이전 스캔 결과를 기반으로 학습함으로써 필요한 전체 모델 평가 횟수를 줄여 스캔 효율성을 크게 향상시킵니다.
• 모듈러 설계 덕분에 사용자는 단순한 클래스 상속과 설정을 통해 새로운 도구나 스캔 유형을 쉽게 확장할 수 있어 장기적인 유지보수성이 확보됩니다.
• 도구는 완전히 오픈소스이며 GitHub에 공개되어 있으며, 상세한 문서와 파이썬 2 및 3 모두 지원(다만 파이썬 3 권장)됩니다.
• 이 프레임워크는 MSSM에 성공적으로 적용되어, 힉스 신호 강도, 암흑물질 잔류 밀도, 진공 안정성 등 여러 제약 조건이 있는 복잡한 모델을 처리할 수 있음을 입증했습니다.