TRSMScans

Resumen Técnico de TRSMScans

Planteamiento del Problema
Las colaboraciones experimentales en el Gran Colisionador de Hadrones (LHC) buscan activamente física más allá del Modelo Estándar (BSM), particularmente en sectores escalares extendidos. Si bien muchas búsquedas se realizan de manera independiente al modelo —estableciendo límites superiores a las secciones eficaces de producción por razones de ramificación ($\sigma \times \text{BR}$)—, comparar estos resultados con modelos BSM específicos es esencial para determinar la sensibilidad y restringir los espacios de parámetros. Sin embargo, los modelos escalares extendidos suelen contener múltiples parámetros libres (por ejemplo, ángulos de mezcla, valores de vacío esperados y masas). Las presentaciones experimentales convencionales a menudo fijan todos los parámetros excepto dos, lo que puede omitir regiones críticas del espacio de parámetros donde las tasas predichas son máximas. Encontrar analíticamente las tasas máximas en tales espacios de alta dimensionalidad es infactible, y el muestreo aleatorio o sistemático se vuelve computacionalmente prohibitivo a medida que aumenta el número de parámetros libres, requiriendo un número creciente de puntos para converger en un máximo con una confianza razonable.

Metodología
Para abordar este desafío, los autores presentan TRSMScans, una nueva herramienta de software diseñada para calcular automáticamente las predicciones de sección eficaz máxima para escenarios de nueva física que involucran estados escalares adicionales. La herramienta está construida sobre Python y sirve como un envoltorio inteligente (wrapper) para dos códigos disponibles públicamente: ScannerS y HiggsTools (que utilizan HiggsBounds y HiggsSignals).

La metodología central consiste en un algoritmo de optimización iterativo, implementado actualmente como una estrategia de "zoom":

1. Pre-escaneo (Pre-scan): Se realiza un muestreo aleatorio inicial de todo el espacio de parámetros libres para estimar la topología de las regiones permitidas. Este paso depende únicamente de las masas escalares y es independiente de modos de producción/desintegración específicos.
2. Filtrado (Filtering): Los puntos muestreados se validan contra restricciones teóricas (limitación inferior, perturbatividad, observables de precisión electrodébil) a través de ScannerS y contra restricciones de búsqueda directa mediante HiggsTools. Filtros adicionales excluyen puntos donde las anchuras relativas escalares exceden límites configurables (por defecto, 15%).
3. Optimización (Optimization): Basándose en el pre-escaneo, una estimación de densidad de núcleo (kernel density estimation) divide el volumen de parámetros en volúmenes más pequeños que contienen "jorobas" locales en la cantidad objetivo ($x_b = \sigma \times \text{BR}$). Se lanzan optimizadores separados para cada volumen.
4. Convergencia (Convergence): Cada optimizador muestrea iterativamente un volumen decreciente con una densidad de puntos creciente. El proceso utiliza procesamiento en paralelo (vía la biblioteca multiprocessing de Python) para mejorar la eficiencia.
5. Condiciones de Parada (Stopping Conditions): La optimización termina cuando se cumplen condiciones de parada locales (aumento suficiente en el máximo local) o condiciones globales (comparabilidad con el máximo global más alto encontrado). También se puede emplear una estrategia de precisión adaptativa, ajustando la rigurosidad basada en la relación entre el máximo actual y un límite experimental objetivo.

Contribuciones Clave

• Automatización del Cálculo de la Tasa Máxima: TRSMScans encuentra eficientemente las tasas máximas predichas para firmas de colisionadores específicas con una intervención humana mínima, escaneando sobre todos los parámetros libres para puntos de masa fijos.
• Arquitectura Modular: Aunque actualmente está optimizada para el Modelo de Dos Singletes Reales (TRSM), la herramienta está diseñada para ser extensible a cualquier modelo soportado por ScannerS y HiggsTools.
• Flujo de Trabajo Integral: El paquete incluye scripts para la instalación, ejecución de optimizaciones (puntos de masa únicos o listas de masas), paralelización (incluyendo soporte para lotes de HTCondor) y trazado de resultados (evolución de puntos y gráficos combinados).
• Integración con Datos Experimentales: La herramienta permite la comparación directa de las tasas máximas teóricas frente a los límites experimentales (esperados y observados) de las colaboraciones del LHC, facilitando la identificación de regiones de parámetros excluidas.

Resultos y Aplicaciones
El artículo demuestra el rendimiento de la herramienta utilizando el TRSM, que introduce dos escalares reales adicionales al potencial del Modelo Estándar. El modelo presenta siete parámetros libres (tres masas, tres ángulos de mezcla y un valor de vacío esperado), reducidos a cinco parámetros libres cuando las masas escalares están fijas.

• Rendimiento: Las visualizaciones (Figuras 1–3) muestran el proceso de optimización de "zoom" convergiendo en máximos locales y globales para un punto de masa específico ($m_X = 1000$ GeV, $m_S = 300$ GeV) en el canal $SH \to b\bar{b}\tau^+\tau^-$. Los gráficos ilustran cómo los optimizadores se concentran alrededor de los máximos e iteran el refinamiento de la búsqueda.
• Comparación Experimental: Los autores aplican la herramienta a resultados recientes del LHC. La Figura 4 muestra las tasas máximas permitidas en el plano $m_X$-$m_S$ comparadas con los límites de búsqueda de CMS para $SH \to b\bar{b}\tau^+\tau^-$. La Figura 5 presenta una comparación similar para la búsqueda de ATLAS para $SH \to b\bar{b}\gamma\gamma$. Estos gráficos identifican regiones donde los límites experimentales caen por debajo de las tasas teóricas máximas, indicando sensibilidad al TRSM.

Significancia y Reivindicaciones
Los autores posicionan a TRSMScans como una solución práctica al "desafío fundamental" de muestrear espacios de parámetros de $N$ dimensiones para encontrar máximos globales. Al automatizar el proceso y utilizar algoritmos inteligentes en lugar de un muestreo de fuerza bruta, la herramienta permite una exploración más exhaustiva de los espacios de parámetros BSM que los escaneos de parámetros fijos tradicionales. El artículo afirma que, si bien la versión actual está optimizada para el TRSM, la estructura subyacente permite la extensión a cualquier modelo disponible dentro del marco de ScannerS. La herramienta se presenta como un paso hacia una interpretación más eficiente de los datos del LHC en el contexto de modelos escalares extendidos específicos, con planes de desarrollo futuro para incluir estrategias de optimización más sofisticadas y mejoras computacionales.