[论文解读] 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 5

一句话总结

xBIT 是一个开源的、基于 Python 的扫描工具，用于探索新物理理论（BSM）中的参数空间，通过 SLHA 格式集成已有的高能物理（HEP）工具，如 SARAH/SPheno、MicrOmegas、HiggsBounds、HiggsSignals 和 Vevacious。它支持基于网格、随机以及使用 PyTorch 的机器学习扫描方法，能够高效识别满足实验和理论约束的可行 BSM 模型。

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.

研究动机与目标

• 为理论物理学家提供一个用户友好、开源的工具，以高效探索标准模型之外的新物理模型的参数空间。
• 将广泛使用的 HEP 工具——SARAH/SPheno、MicrOmegas、HiggsBounds、HiggsSignals 和 Vevacious——通过 SLHA 格式集成到统一的扫描框架中。
• 实现先进的扫描技术，包括使用 PyTorch 的机器学习扫描（MLS），以提高扫描效率和收敛速度。
• 通过模块化类定义，使用户能够轻松添加新工具和扫描类型，实现可扩展性。

提出的方法

• 该工具基于 Python 构建，采用模块化架构，为工具和扫描类型分别定义独立类，支持外部 HEP 代码的即插即用式集成。
• 支持标准扫描类型：网格扫描（系统性参数扫掠）和随机扫描（随机采样），参数范围和可观测量均可配置。
• 机器学习扫描（MLS）方法利用 PyTorch 训练人工神经网络，以预测可行的参数区域，从而减少完整模型评估的次数。
• 输入通过两个 JSON 配置文件管理：一个用于设置工具路径和命令的配置文件，另一个用于定义扫描参数和约束条件的扫描文件。
• 输出处理包括自动解析工具结果（如 HiggsBounds、HiggsSignals）并将其注入 SLHA 格式的谱文件中，以供后续分析。
• 通过继承基类（如 `NewTool` 和 `NewScan`）并定义 `run()` 和 `generate_parameter_points()` 方法，可轻松实现新工具和扫描类型的扩展。

实验结果

研究问题

• RQ1 如何使 BSM 理论中的参数空间探索更加高效且对理论物理学家更易访问？
• RQ2 机器学习在多大程度上可以降低大规模 BSM 模型扫描的计算成本？
• RQ3 如何设计一个模块化、可扩展的框架，以实现多样 HEP 工具的一致输入/输出处理？
• RQ4 统一的扫描工具能否有效整合来自希格斯精度观测、暗物质遗迹密度和真空稳定性的约束？
• RQ5 在复杂 BSM 模型中，与传统网格扫描或随机扫描相比，MLS 方法能带来多大的性能提升？

主要发现

• xBIT 通过统一的 SLHA 接口集成 SPheno、MicrOmegas、HiggsBounds、HiggsSignals 和 Vevacious 等成熟 HEP 工具，实现了 BSM 模型中高效、可复现的参数扫描。
• 该工具支持传统的网格扫描和随机扫描，以及一种利用 PyTorch 加速收敛的机器学习扫描（MLS）方法，可快速定位可行参数区域。
• MLS 方法通过学习先前扫描结果，显著减少所需模型评估次数，从而大幅提升扫描效率。
• 模块化设计允许用户通过简单的类继承和配置，轻松扩展 xBIT 以添加新工具或扫描类型，确保长期可维护性。
• 该工具完全开源，托管于 GitHub，提供详细文档，并支持 Python 2 和 3（尽管推荐使用 Python 3）。
• 该框架已在 MSSM 模型中成功应用，证明其能够有效处理包含希格斯信号强度、暗物质遗迹密度和真空稳定性等多重约束的复杂模型。