HS3: A Descriptive, Interoperable Serialization Standard for Statistical Models in High-Energy Physics

Dieses Papier stellt HS3 vor, einen neuen, implementierungsagnostischen, menschenlesbaren und erweiterbaren Serialisierungsstandard, der darauf ausgelegt ist, ein universelles, FAIR-konformes Format zur Repräsentation und zum Austausch statistischer Modelle in der Hochenergiephysik bereitzustellen und damit die Einschränkungen bestehender softwarespezifischer Formate zu überwinden.

Das Wesentliche

Stellen Sie sich vor, die Hochenergiephysik (die Untersuchung winziger Teilchen wie jener am Large Hadron Collider) sei wie ein riesiger, weltweiter Kochwettbewerb. Seit Jahrzehnten erstellen die Köche (Wissenschaftler) unglaubliche Rezepte (statistische Modelle), um zu erklären, wie das Universum funktioniert. Es gab jedoch ein großes Problem: Jeder Koch schrieb sein Rezept in einer anderen, geheimen Sprache.

Einige schrieben in „ROOT“, einem komplexen Code, den nur spezifische Computer lesen konnten. Andere schrieben in „pyhf“, einem einfacheren Format, das für Menschen leicht lesbar war, aber nicht jedes Gericht bewältigen konnte. Wenn man zwei Rezepte kombinieren wollte, um eine größere Mahlzeit zuzubereichten, oder wenn man ein Rezept von vor 10 Jahren auf einem neuen Computer lesen wollte, war dies oft unmöglich. Die Rezepte waren wie handgeschriebene Notizen auf Servietten, die unbrauchbar wurden, wenn die Tinte verblasste oder das Papier nass wurde.

Hier kommt HS3 ins Spiel: Das universelle Kochbuch

Dieses Paper stellt HS3 (High-Energy Physics Statistics Serialization Standard) vor. Betrachten Sie HS3 als eine neue, universelle Sprache für Rezepte, die all diese Probleme löst.

So funktioniert es, unter Verwendung einfacher Analogien:

1. Die „beschreibende“ Sprache (Das Menü, nicht der Koch)

Früher waren einige Rezeptformate so, als würde man einem Roboter eine Liste mit strengen Schritt-für-Schritt-Anweisungen geben (z. B. „Drehe dich nach links, dann rühre für 3 Sekunden“). Wenn der Roboter kaputtging, war das Rezept unbrauchbar.
HS3 ist anders. Es ist beschreibend. Es sagt dem Computer nicht, wie man kocht; es beschreibt nur, was das Gericht ist. Es sagt: „Dies ist eine Gauß-Suppe“ oder „Dies ist ein Poisson-Eintopf“.

• Die Analogie: Stellen Sie sich ein Menü vor, das Zutaten und Aromen auflistet, aber es ist egal, ob Sie es in einer französischen Küche, einer japanischen Küche oder in einer Mikrowelle zubereiten. Da es nur das Gericht beschreibt, kann jeder Koch (jedes Computerprogramm) es lesen und auf seine eigene Weise zubereiten.

2. Die „LEGO“-Struktur (Bausteine)

Das Paper erklärt, dass HS3 Modelle wie einen computational graph aufbaut, was nur eine schicke Art zu sagen ist: „eine Karte von LEGO-Steinen“.

• Man hat Blöcke für die Zutaten (Daten).
• Man hat Blöcke für die Regeln (Funktionen).
• Man hat Blöcke für das fertige Gericht (Likelihood).
• Die Magie: Man kann diese Blöcke klar und logisch zusammenstecken. Wenn man eine Zutat ändern möchte, tauscht man einfach diesen einen Block aus. Man muss nicht den ganzen Turm neu bauen. Dies macht es einfach zu sehen, wie das gesamte Modell zusammengesetzt ist, selbst wenn es eine riesige, komplexe Struktur ist.

3. Das „Zeitreise“-Feature (Langzeitbewahrung)

Eine der größten Sorgen in der Wissenschaft ist: „Werden wir unsere Daten in 50 Jahren noch lesen können?“

• Der alte Weg: Wenn man eine Datei in einer spezifischen Version eines Programms speichert und dieses Programm in 10 Jahren verschwindet, ist die Datei ein „digitales Fossil“ – unlesbar.
• Der HS3-Weg: Da HS3 in einem einfachen, für Menschen lesbaren Format geschrieben ist (wie JSON, das wie reiner Text aussieht), hängt es nicht von einer spezifischen Software ab. Selbst wenn alle aktuellen Computer kaputtgehen, könnte ein Mensch die HS3-Datei theoretisch lesen und das Rezept verstehen. Es ist, als würde man ein Rezept auf Englisch statt in einem Geheimcode schreiben; es überlebt den Tod der Werkzeuge, mit denen es geschrieben wurde.

4. Der „Übersetzer“ (Interoperabilität)

Das Paper zeigt, dass HS3 als universeller Übersetzer fungiert.

• Es kann ein Rezept nehmen, das in der alten „ROOT“-Sprache geschrieben wurde, und es in HS3 übersetzen.
• Es kann ein Rezept aus „pyhf“ nehmen und es in HS3 übersetzen.
• Es kann sogar wieder zurück übersetzen.
• Das Ergebnis: Ein Wissenschaftler, der einen Python-Computer verwendet, kann nun ein Modell mit einem Wissenschaftler teilen, der einen C++-Computer verwendet, und beide können es perfekt verstehen. Sie können sogar prüfen, ob sie das gleiche Ergebnis erzielen, wie zwei Köche, die dieselbe Suppe probieren, um sicherzustellen, dass das Rezept konsistent ist.

5. Warum das jetzt wichtig ist

Das Paper argumentiert, dass sich das Feld der Physik von der bloßen „Suche nach neuen Teilchen“ hin zur „Messung dieser Teilchen mit extremer Präzision“ bewegt. Dies erfordert die Kombination vieler verschiedener Experimente und Modelle.

• Das Problem: Man kann Rezepte nicht kombinieren, wenn sie in verschiedenen Sprachen geschrieben sind.
• Die Lösung: HS3 ermöglicht es Wissenschaftlern, diese Modelle problemlos zu kombinieren, sie auf Fehler zu prüfen und sie zu veröffentlichen, damit jeder (selbst Leute außerhalb des ursprünglichen Teams) sie nutzen kann, um neue Theorien zu testen.

Zusammenfassung

Kurz gesagt ist HS3 ein neuer Standard für das Aufschreiben der „mathematischen Rezepte“ der Teilchenphysik. Es ist:

• Menschenlesbar: Man kann es mit den Augen lesen, nicht nur mit einer Maschine.
• Universell: Es funktioniert über verschiedene Computersprachen und Software hinweg.
• Zukunftssicher: Es stellt sicher, dass die wissenschaftlichen Entdeckungen von heute auch von zukünftigen Generationen verstanden und wiederverwendet werden können, unabhängig von der Technologie, die sie nutzen.

Das Paper behaupten, dass dieser Standard bereits dazu verwendet wird, Daten zu veröffentlichen, Ergebnisse zwischen verschiedenen Computerprogrammen zu prüfen und sogar Studenten beim Lernen über Statistik zu helfen. Es ist der erste Schritt, um die „Bibliothek der Physik“ wahrhaft offen und für alle zugänglich zu machen.

Technische Zusammenfassung

Technisches Resümee: HS3 – Ein deskriptiver, interoperabler Serialisierungsstandard für statistische Modelle in der Hochenergiephysik

Problemstellung
Statistische Modelle in der Hochenergiephysik (HEP) sind die primären wissenschaftlichen Artefakte, die die Beziehung zwischen beobachteten Daten, physikalischen Parametern und Unsicherheiten kodieren. Während likelihood-basierte Inferenz zentral für Präzisionsmessungen, Effective Field Theory (EFT)-Fits und Kombinationen von Cross-Analysen ist, ist das aktuelle Ökosystem zur Darstellung dieser Modelle fragmentiert. Bestehende Formate wie ROOT-Workspaces, pyhf-JSON-Dateien und CMS DataCards sind an spezifische Software-Stacks (z. B. C++/ROOT, Python) gebunden. Dies schafft erhebliche Barrieren für Interoperabilität, Validierung und langfristige Erhaltung. ROOT-Workspaces sind binär und versionsabhängig; pyhf JSON ist menschenlesbar, aber im Vergleich zu RooFit begrenzt in seinem Umfang; und CMS DataCards beruhen auf spezifischen C++-Implementierungen. Infolgedessen ist die Konvertierung zwischen Formaten brüchig, die Validierung über Frameworks hinweg ist schwierig und die langfristige Nutzbarkeit von Modellen wird durch Software-Obsoleszenz bedroht.

Methodik und Designprinzipien
Die Autoren führen HS3 (High-Energy Physics Statistics Serialization Standard) ein, ein implementierungsagnostisches, menschenlesbares und erweiterbares Serialisierungsformat. Das Design wird von mehreren Kernprinzipien geleitet:

• Deskriptive domänenspezifische Sprache (DSL): HS3 ist eine deklarative Spezifikation mathematischer Strukturen (Verteilungen, Funktionen, Parameter, Datensätze) statt einer Kodierung der Ausführungslogik. Es trennt die mathematische Semantik von der algorithmischen Implementierung, was es verschiedenen Inferenz-Engines ermöglicht, dasselbe Modell zu interpretieren.
• Repräsentation als Berechnungsgraph: Modelle werden als gerichtete azyklische Graphen (DAGs) dargestellt, bei denen Knoten benannte Verteilungen, Funktionen oder Daten sind und Kanten die Abhängigkeiten repräsentieren. Der Standard unterstützt eine hybride Granularität, die sowohl hochgradige zusammengesetzte Knoten (z. B. histfactory_dist für template-basierte Modelle) als auch niedergradige elementare Operationen ermöglicht. Dies bewahrt die semantische Struktur bei gleichzeitiger Ermöglichung von Backend-Optimierungen.
• Interoperabilität und Vollständigkeit: HS3 ist darauf ausgelegt, semantisch vollständig in Bezug auf RooFit (das ausdrucksstärkste aktuelle Framework) zu sein, während es gleichzeitig die Lesbarkeit von pyhf JSON beibehält. Es zielt darauf ab, sowohl binned als auch unbinned Likelihoods, hierarchische zusammengesetzte Modelle und erweiterte Verteilungen zu unterstützen.
• Menschen- und Maschinelles Lesbarkeit: Das kanonische Format ist JSON, gewählt aufgrund seines ausgereiften Toolings und seiner expliziten Struktur. Alle Objekte sind eindeutig benannt, um zweifelsfreie Referenzen zu gewährleisten, was Versionskontrolle und inkrementelle Modifikationen erleichtert.
• FAIR-Prinzipien: Der Standard richtet sich nach den FAIR-Prinzipien (Findable, Accessible, Interoperable, Reusable) und nutzt persistente Identifikatoren sowie offene Formate, um sicherzustellen, dass Modelle auch dann nutzbar bleiben, wenn sich die Softwareumgebungen weiterentwickeln.

Struktur des Standards
Ein HS3-Dokument ist in Top-Level-Sektionen organisiert, die indizierte Objekte enthalten:

• Verteilungen (Distributions): Fundamentale (z. B. Gauß, Poisson) und zusammengesetzte Verteilungen.
• Funktionen (Functions): Deterministische mathematische Transformationen (elementar oder benutzerdefiniert).
• Daten (Data): Beobachtete oder simulierte Datensätze (binned oder unbinned).
• Likelihoods: Objekte, die Verteilungen und Datensätze kombinieren.
• Domänen (Domains): Definitionen von Parameterbereichen, Typen (kontinuierlich/diskret) und Constraints.
• Parameterpunkte (Parameter Points): Benannte Wertesätze für Benchmarks oder Startpunkte.
• Analysen (Analyses): Hochgradige Preskriptionen, die Parameter of Interest (POIs), Nuisance-Parameter und Teststatistiken definieren.
• Metadaten (Metadata): Provenienz, Versionierung und Autorenschaft.
• Verschiedenes (Misc): Nicht-normative Hinweise für Visualisierung oder Konfiguration.

Wesentliche Beiträge und Implementierungen
Das Paper beschreibt die Entwicklung von HS3 und dessen Integration in bestehende Frameworks:

1. ROOT/RooFit-Integration: Eine integrierte Bibliothek in ROOT 6.36 ermöglicht die bidirektionale Konvertierung zwischen RooWorkspace-Objekten und HS3-JSON, wobei Namen, Parameter und Normalisierung erhalten bleiben. Dies dient als Referenzimplementierung.
2. CMS Combine und DataCards: DataCards können in RooWorkspaces geparst und anschließend als HS3 exportiert werden. Die modulare Natur von HS3 erlaubt die zukünftige Aufnahme spezifischer CMS-Modellierungskonstrukte.
3. pyhf-Kompatibilität: pyhf-JSON-Modelle können in HS3 übersetzt werden, indem Channels zu histfactory_dist-Knoten erhoben werden. Umgekehrt können einfache HS3-Modelle zurück in pyhf JSON konvertiert werden.
4. Cross-Language-Implementierungen:
   • pyhs3: Ein reines Python-Paket, das Parser, Validatoren und Werkzeuge zum Konstruieren von HS3-Modellen bereitstellt und die Konsistenz mit ROOT sicherstellt.
   • HS3.jl: Eine Julia-Implementierung, die ein hochperformantes Parsing und native Datenstrukturen bietet, was die Integration in JuliaHEP-Tools und gradientenbasierte Inferenz erleichtert.

Ergebnisse und frühe Anwendungen
Das Paper präsentiert die frühe Validierung und Anwendung des Standards:

• Kreuzvalidierung: Abbildung 1 zeigt eine gute Übereinstimmung zwischen den durch die C++ ROOT-Implementierung generierten Profile-Likelihood-Kurven und der Python pyhs3-Implementierung für eine ATLAS V H-Messung, was die numerische Konsistenz über Frameworks hinweg validiert.
• HEPData-Integration: HEPData unterstützt HS3 nun über ein „Badge“-System. Mehrere ATLAS-Analysen (Higgs-Messungen, New-Physics-Suchen, SM-Analysen) wurden mit HS3-basierten Likelihoods veröffentlicht, was externen Nutzern ermöglicht, Modelle ohne spezifische Software-Stacks zu rekonstruieren.
• Kombinierte Analysen: Proof-of-Concept-Studien zeigen, dass mehrere öffentliche Likelihoods ohne manuelles Umschreiben in ein einziges Modell kombiniert werden können, indem die explizite Kodierung von Parameternamen und Constraints genutzt wird.
• DEMOS-Projekt: HS3 wurde als Referenzformat für das DEMOS-Projekt ausgewählt, das darauf abzielt, die statistische Modellierung in der Teilchenphysik, Astroteilchenphysik und Kernphysik zu vereinheitlichen.
• Bildung: Die menschenlesbare Natur von HS3 macht es geeignet für die Lehre der statistischen Inferenz und dient als Brücke zwischen konzeptionellen Materialien und vollen wissenschaftlichen Analysen.

Bedeutung und Ansprüche
Die Autoren postulieren, dass HS3 das Fundament für FAIR, langlebige statistische Modelle am LHC und darüber hinaus legt. Durch die Entkopplung von Modelldefinitionen von spezifischen Inferenz-Engines und Programmiersprachen adressiert HS3 die kritische Notwendigkeit von Reproduzierbarkeit, Reinterpretation und langfristiger Erhaltung in einer Ära, die von systematischen Unsicherheiten und komplexen Global Fits dominiert wird. Das Paper behauptet, dass HS3 eine stabile, erweiterbare und framework-unabhängige Sprache bereitstellt, die sich entwickeln kann, um den Bedürfnissen der breiteren wissenschaftlichen Gemeinschaft gerecht zu werden – potenziell wird HS3 für statistische Modelle das, was .root-Dateien für die Datenspeicherung sind: eine dauerhafte, portable und universell austauschbare Repräsentation. Der Standard wird nicht als endgültige, unveränderliche Lösung präsentiert, sondern als ein lebendiges Framework, das durch Community-Konsens und Versionierung gesteuert wird, um Rückwärtskompatibilität und kontinuierliche Verbesserung zu gewährleisten.