evortran: a modern Fortran package for genetic algorithms with applications from LHC data fitting to LISA signal reconstruction

Este artículo presenta evortran, una biblioteca moderna en Fortran para algoritmos genéticos de alto rendimiento que ofrece flexibilidad y eficiencia para resolver problemas de optimización en física, demostrando su utilidad mediante aplicaciones en el ajuste de datos del LHC y la reconstrucción de señales de ondas gravitacionales de LISA.

Lo esencial

¡Hola! Imagina que estás intentando encontrar la mejor receta para un pastel en un universo infinito de posibilidades. Tienes ingredientes (parámetros) que puedes cambiar: más azúcar, menos harina, hornearlo un minuto más... Pero no tienes una fórmula mágica que te diga exactamente qué hacer. Solo sabes que si el pastel sabe bien, es una "buena" receta.

El artículo que has compartido presenta evortran, una nueva herramienta de software creada por el físico Thomas Biekötter. Para explicártelo de forma sencilla, vamos a usar una analogía: evortran es como un equipo de chefs evolutivos que aprenden a cocinar mejor con el tiempo.

Aquí tienes la explicación desglosada:

1. ¿Qué es evortran? (El Chef Evolutivo)

En el mundo de la física y la ingeniería, a veces tenemos problemas tan complejos que los métodos tradicionales (como intentar adivinar paso a paso) fallan. Es como intentar encontrar la salida de un laberinto gigante en la oscuridad.

evortran es un programa escrito en Fortran (un lenguaje de programación muy rápido y antiguo, pero modernoizado) que usa un método llamado Algoritmo Genético.

• La analogía: Imagina que tienes 100 chefs (una "población") intentando hacer el pastel.
  • Selección: Los chefs que hacen el pastel más rico (mejor "fitness") son los elegidos para tener hijos.
  • Cruce (Crossover): Dos chefs buenos se juntan y mezclan sus recetas para crear una nueva receta híbrida.
  • Mutación: A veces, un chef decide cambiar un ingrediente al azar (quizás poner sal en lugar de azúcar) para ver si por casualidad descubre algo increíble.
  • Elitismo: Siempre guardamos la receta del mejor pastel del día para asegurarnos de no perderla.

Con el tiempo, la "población" de recetas evoluciona y se vuelve cada vez mejor, hasta encontrar la receta perfecta.

2. ¿Por qué es especial? (La Caja de Herramientas Flexible)

Lo genial de evortran es que es como una caja de herramientas de LEGO muy bien diseñada:

• Es rápido: Al estar hecho en Fortran, corre a la velocidad de un Ferrari, mucho más rápido que si lo hicieras en Python (que es más lento pero más fácil de usar).
• Es flexible: Puedes decirle al programa exactamente cómo quieres que trabajen tus chefs. ¿Quieres que elijas los mejores por torneo? ¿O que elijas al azar? ¿Quieres que mezclen recetas de forma agresiva o suave? Tú decides.
• Trabaja en equipo: Si tienes una computadora con muchos procesadores (como un equipo de 40 chefs trabajando a la vez), evortran puede usarlos todos para encontrar la solución mucho más rápido.
• El "Migrante": Tiene una función especial donde puedes tener varios grupos de chefs trabajando en cocinas separadas. De vez en cuando, los mejores chefs de una cocina viajan a otra para compartir sus secretos. Esto evita que todos se queden estancados pensando en la misma receta aburrida.

3. ¿Para qué sirve en la vida real? (Los Ejemplos del Papel)

El paper demuestra que esta herramienta no es solo teoría, sino que resuelve problemas reales y difíciles:

A. Ajustando el "Motor" del Universo (Datos del LHC)

Imagina que el Modelo Estándar de la física es como un coche muy conocido. Pero los físicos creen que hay "piezas extra" (nuevas partículas) que no hemos visto.

• El problema: Hay miles de formas de poner esas piezas extra. Tienes que ajustar 11 o 14 pernos diferentes para que el coche funcione y coincida con lo que vemos en el Gran Colisionador de Hadrones (LHC).
• La solución con evortran: El programa probó millones de combinaciones de pernos. Encontró configuraciones que funcionan perfectamente con los datos reales, e incluso descubrió configuraciones "raras" (donde las partículas se comportan de forma opuesta a lo esperado) que otros métodos más rígidos habrían ignorado.

B. Escuchando las "Ondas" del Big Bang (Datos de LISA)

Imagina que el universo es un océano y las ondas gravitacionales son las olas. El futuro telescopio espacial LISA intentará escuchar las olas que dejaron las explosiones del Big Bang.

• El problema: El sonido es muy débil y está lleno de "ruido" (como estática en la radio). Es difícil saber qué forma tenía la ola original.
• La solución con evortran: El programa intentó reconstruir la forma de la ola original a partir del ruido.
  • Descubrió que a veces hay dos explicaciones diferentes que suenan igual (una "degeneración").
  • Mostró que si cambias cómo empiezas a buscar (tus "suposiciones" o priors), puedes encontrar respuestas diferentes. Esto es crucial para no equivocarse al interpretar los datos del universo.

En Resumen

evortran es una herramienta moderna, rápida y muy inteligente diseñada para encontrar soluciones en mundos donde las reglas no son claras y hay demasiadas posibilidades.

• Es como un buscador de agujas en un pajar: Pero en lugar de buscar una aguja, busca la mejor configuración de un modelo físico.
• Es como un equipo de detectives: Que no se rinde, prueba millones de pistas, aprende de sus errores y nunca se queda estancado en una sola teoría.

El autor nos dice que esta herramienta está disponible para que cualquier científico (o incluso programadores en Python) la use para resolver sus propios problemas complejos, desde la física de partículas hasta la ingeniería. ¡Es una forma de dejar que la evolución natural haga el trabajo sucio por nosotros!

Resumen técnico

Resumen Técnico: evortran - Un paquete moderno de Fortran para algoritmos genéticos

1. Problema y Contexto

Los algoritmos genéticos (AG) son técnicas de optimización inspiradas en la selección natural, ideales para explorar espacios de solución complejos, no convexos, discontinuos y ruidosos donde los métodos basados en gradientes fallan (debido a mínimos locales o gradientes no definidos). Aunque existen librerías de AG en Python (como DEAP, PyGAD) y C/C++ (como CMAES, GAUL), el ecosistema de Fortran carecía de una solución moderna, flexible y de alto rendimiento que combinara la velocidad de un lenguaje de bajo nivel con una interfaz de usuario amigable y fácil de integrar.

En física de altas energías y cosmología, los problemas de optimización suelen ser de alta dimensionalidad, no diferenciables y computacionalmente costosos (ej. ajuste de datos del LHC o reconstrucción de señales de ondas gravitacionales). Se necesita una herramienta que permita:

• Alta eficiencia computacional.
• Flexibilidad para personalizar estrategias de evolución.
• Paralelización eficiente en sistemas multinúcleo.
• Integración sencilla con flujos de trabajo existentes (Fortran y Python).

2. Metodología y Diseño de la Librería

El artículo presenta evortran, una biblioteca moderna de Fortran diseñada para la optimización evolutiva de alto rendimiento. Su arquitectura se basa en los siguientes pilares:

• Diseño Modular y Multi-nivel:
  • Nivel de Individuos: Manejo directo de soluciones individuales (genes enteros o flotantes).
  • Nivel de Poblaciones: Ejecución de ciclos evolutivos completos (selección, cruce, mutación, elitismo) sobre conjuntos de individuos.
  • Nivel de Migración: Evolución paralela de múltiples poblaciones independientes con intercambio periódico de individuos (migración) para mantener la diversidad genética y evitar la convergencia prematura.
• Tipos de Datos: Soporta dos tipos de individuos:
  • Enteros: Para genes discretos (binarios o de base $N$).
  • Flotantes: Para espacios de búsqueda continuos, con límites definidos para los genes.
• Operadores Genéticos: Ofrece una variedad de estrategias configurables:
  • Selección: Torneo, rango y rueda de la fortuna (modificada).
  • Cruce (Crossover): Punto único, dos puntos, uniforme, blend (BLX-$\alpha$) y cruce binario simulado (SBX).
  • Mutación: Uniforme, aleatoria (shuffle) y gaussiana.
  • Elitismo: Preservación de los mejores individuos entre generaciones.
• Paralelización: Utiliza OpenMP para paralelizar la evaluación de la función de aptitud (fitness) y la evolución de poblaciones. Esto permite un escalado eficiente en CPUs multinúcleo.
• Interfaz de Usuario:
  • Gestión de dependencias mediante fpm (Fortran Package Manager).
  • Interfaz de Python (pyevortran) mediante enlaces C, permitiendo usar la potencia de Fortran desde scripts de Python.
  • Soporte para precisión simple, doble y cuádruple (configurable en tiempo de compilación).

3. Contribuciones Clave

1. Implementación Moderna en Fortran: Una alternativa robusta a librerías antiguas (como Pikaia) o de otros lenguajes, optimizada para el rendimiento computacional típico de la física teórica.
2. Flexibilidad de Abstracción: Permite al usuario trabajar desde el control fino de individuos hasta la evolución de múltiples poblaciones con migración, adaptándose a la complejidad del problema.
3. Herramientas de Migración: La capacidad de ejecutar múltiples poblaciones en paralelo con migración es destacada como una ventaja crucial para encontrar múltiples soluciones viables en espacios de parámetros complejos (no solo el mínimo global único).
4. Integración Híbrida: Facilita la conexión con códigos externos (C++, Python) y herramientas de física (como HiggsTools), esencial para problemas donde la función de aptitud es costosa y externa.
5. Validación Exhaustiva: Comparación rigurosa con benchmarks matemáticos y con otras librerías (Pikaia), demostrando superioridad o equivalencia en precisión y robustez.

4. Resultados y Aplicaciones

El artículo valida evortran mediante dos categorías de aplicaciones:

A. Benchmarks Matemáticos (Funciones Multimodales):

• Rastrigin, Michalewicz, Himmelblau y Drop-Wave: Se demostró que evortran encuentra mínimos globales en funciones con muchos mínimos locales.
• Escalabilidad: En la función Rastrigin, la paralelización con OpenMP redujo el tiempo de ejecución significativamente. La estrategia de evolve_migration mostró un escalado superior en problemas con evaluaciones de fitness rápidas, mientras que evolve_population fue más eficiente cuando la evaluación de fitness era costosa.
• Comparación con Pikaia: En la función Drop-Wave (muy difícil), evortran logró encontrar el mínimo global en dimensiones más altas ($n=7$) que Pikaia, y con un número de evaluaciones de función competitivo.

B. Aplicaciones en Física:

1. Ajuste de Secciones de Higgs Extendidas (LHC):
   • Se utilizó para escanear el modelo S2HDM (Singlet-extended Two-Higgs-Doublet Model) con 11 y 14 parámetros libres.
   • El objetivo fue ajustar los datos del LHC (señales del Higgs a 125 GeV y límites de exclusión de nuevos bosones).
   • Resultado: Evortran identificó regiones de parámetros viables que satisfacen restricciones teóricas y experimentales, incluyendo soluciones con acoplamientos de Yukawa de "signo opuesto" que otros métodos podrían pasar por alto.
2. Reconstrucción de Espectros de Ondas Gravitacionales (LISA):
   • Se reconstruyó el fondo estocástico de ondas gravitacionales de una transición de fase cosmológica a partir de datos simulados de LISA (incluyendo ruido instrumental).
   • Resultado: Se demostró la capacidad de la librería para manejar la degeneración de parámetros ($\alpha, \beta/H, T_*, g_*, v_w$).
   • Hallazgo Importante: Se identificó una fuerte degeneración entre parámetros que lleva a dos clases de soluciones físicas distintas (dominadas por ondas sonoras o turbulencia) que son indistinguibles con el ruido actual.
   • Análisis de Priors: Se mostró cómo la elección de la distribución a priori (lineal vs. logarítmica) afecta drásticamente la recuperación de parámetros en espacios de búsqueda de gran escala, destacando la importancia de una exploración adecuada del espacio.

5. Significado e Impacto

El trabajo de evortran representa un avance significativo en la computación científica en Fortran. Su importancia radica en:

• Puente Tecnológico: Conecta la eficiencia de Fortran con la accesibilidad de Python, facilitando la adopción de AG en la comunidad de física de altas energías y cosmología.
• Resolución de Problemas Reales: Demuestra que los AG son herramientas viables y superiores para problemas de física donde los métodos basados en gradientes fallan debido a la no diferenciabilidad o la complejidad del paisaje de búsqueda.
• Exploración de Múltiples Soluciones: La capacidad de encontrar múltiples regiones de parámetros válidos (no solo el óptimo global) es crucial para la física teórica, donde diferentes modelos o configuraciones pueden ser igualmente compatibles con los datos experimentales.
• Futuro: La arquitectura modular permite futuras extensiones, como la paralelización distribuida (MPI) o la aceleración en GPU, posicionando a evortran como una herramienta escalable para los grandes desafíos de optimización de la próxima década en la física de partículas y la cosmología.

En conclusión, evortran es una herramienta robusta, flexible y de alto rendimiento que llena un vacío crítico en el ecosistema de software científico, ofreciendo una solución moderna para la optimización global en problemas físicos complejos.