⚛️ fenomenología

BSMScanner: a lightweight framework for beyond-the-Standard-Model global fits

El artículo presenta BSMScanner, un marco ligero que permite a los usuarios definir ajustes globales más allá del Modelo Estándar mediante especificaciones YAML declarativas que se compilan en núcleos de C++ eficientes y son ejecutados por diversos motores de escaneo para analizar modelos de referencia.

Autores originales: Mohamed Belfkir

Publicado 2026-10-14

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Mohamed Belfkir

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el vasto paisaje de la física moderna, existe una brecha persistente entre las reglas que sabemos que funcionan y el universo que realmente observamos. Los científicos poseen un libro de reglas altamente exitoso llamado el Modelo Estándar, que explica cómo interactúan partículas como los electrones y los quarks. Sin embargo, este libro está incompleto. No puede explicar por qué la gravedad es tan débil en comparación con otras fuerzas, por qué el universo está hecho de materia en lugar de antimateria, o qué es la materia oscura. Para encontrar las piezas faltantes, los físicos proponen teorías de "Más Allá del Modelo Estándar". Estos son nuevos libros de reglas que añaden partículas o fuerzas adicionales a las existentes. No obstante, una nueva teoría es solo una suposición hasta que se pone a prueba contra la realidad. Para lograr esto, los investigadores deben tomar una teoría, introducir cada combinación posible de sus nuevos números y ver qué combinaciones sobreviven a las duras restricciones de los experimentos del mundo real. Este proceso es como intentar encontrar una única aguja específica en un pajar que cambia de forma constantemente, y hacerlo requiere verificar miles de millones de posibilidades.

Durante décadas, las herramientas utilizadas para realizar esta búsqueda han sido torpes y difíciles de reutilizar. Cada vez que un físico quería probar una nueva teoría, tenía que escribir un programa informático personalizado desde cero. Codificaban manualmente cómo calcular la masa de una nueva partícula, cómo mezclar diferentes tipos de partículas y cómo comparar los resultados con los datos experimentales. Esto significaba que si un científico quería cambiar la estrategia de búsqueda o probar una versión ligeramente diferente de la teoría, a menudo tenía que reescribir gran parte de su código. Era lento, propenso a errores y hacía muy difícil que otros científicos verificaran el trabajo o repitieran el experimento. La maquinaria del descubrimiento se estaba reconstruyendo para cada nueva pregunta, en lugar de ser reutilizada.

Mohamed Belfkir y su equipo de la Universidad de Ciencia y Tecnología de Doha han introducido un nuevo enfoque que cambia la forma en que se lleva a cabo esta búsqueda. Crearon un marco de trabajo llamado BSMScanner, que trata un modelo de física no como un complejo programa informático, sino como un documento simple y legible. En lugar de escribir código para definir una teoría, un investigador escribe un archivo de texto que enumera los ingredientes de la teoría: los nombres de las nuevas partículas, sus posibles rangos de masa y las reglas que gobiernan cómo interactúan. Este archivo actúa como un plano. El software lee entonces este plano, verifica su consistencia y lo traduce automáticamente en un motor altamente eficiente y precompilado que puede ejecutar millones de cálculos por segundo.

El poder de este sistema reside en la separación del "qué" del "cómo". El investigador define qué quiere estudiar en un formato claro y estructurado, mientras que el software se encarga del trabajo pesado de las matemáticas. Esto incluye tareas complejas como calcular cómo se mezclan las partículas o determinar si un conjunto propuesto de números conduce a un universo físicamente imposible. Debido a que el software compila esta información una vez en un núcleo rápido e inalterable, puede probar puntos en el espacio de búsqueda con una velocidad increíble. En las pruebas, el sistema evaluó modelos complejos con veintiséis variables diferentes en menos de un minuto en un solo procesador de computadora. Esta velocidad permite a los investigadores explorar vastas áreas de posibilidades que anteriormente eran demasiado lentas de verificar.

El marco también resuelve el problema de la reproducibilidad. En la forma antigua de trabajar, los detalles de una búsqueda estaban ocultos dentro de líneas de código que solo el autor original podía leer fácilmente. Con BSMScanner, toda la configuración es visible en el archivo de texto. Si otro científico quiere verificar los resultados, simplemente puede leer el archivo para ver exactamente qué parámetros se probaron, qué reglas se aplicaron y qué método de búsqueda se utilizó. El sistema produce un registro claro de cada paso dado, asegurando que los resultados puedan ser auditados y confiables.

Para demostrar que el sistema funciona, el equipo lo aplicó a seis modelos teóricos diferentes, que van desde adiciones simples de nuevas partículas hasta escenarios complejos que involucran materia oscura y nuevas fuerzas. Probaron modelos que requerían encontrar un ajuste específico óptimo, así como modelos donde el objetivo era simplemente encontrar cualquier región que estuviera permitida por las leyes de la física. En un caso, estudiaron un modelo donde las soluciones válidas eran tan raras que una búsqueda estándar no habría logrado encontrarlas; el nuevo sistema localizó con éxito las diminutas y ocultas regiones donde la teoría podría funcionar. En otra prueba, examinaron un modelo con muchas variables y descubrieron que el sistema podía navegar por el complejo paisaje para encontrar la mejor coincidencia posible con los datos experimentales, confirmando que el software podía manejar la intrincada matemática requerida para la física de partículas moderna.

Los investigadores también demostraron con qué facilidad el sistema puede adaptarse a nuevos desafíos. Debido a que el modelo se define en un documento, cambiar la estrategia de búsqueda es tan sencillo como editar unas pocas líneas de texto. Si un investigador desea pasar de una búsqueda aleatoria a un método más sofisticado que busque grupos de buenas soluciones, no necesita reescribir la física. Simplemente cambia la instrucción en el archivo, y el software ejecuta la nueva estrategia sobre el mismo modelo compilado. Esta flexibilidad significa que los científicos pueden dedicar su tiempo a pensar en la física en lugar de depurar su código.

Los resultados muestran que este enfoque no es solo una mejora teórica, sino una práctica. El sistema identificó con éxito las mejores coincidencias posibles para los modelos probados y mapeó las regiones donde las teorías siguen siendo válidas. Confirmó que el nuevo marco puede manejar la complejidad de la física de partículas moderna al tiempo que hace que el proceso sea más rápido, más confiable y más fácil de compartir. Al convertir la búsqueda de nueva física en un proceso declarativo, BSMScanner permite que los científicos se concentren en las preguntas que importan, dejando el trabajo tedioso del cálculo a una herramienta que está construida para ser reutilizada, comprendida y confiada.

Resumen Técnico: BSMScanner

Planteamiento del Problema

Los estudios fenomenológicos de la física más allá del Modelo Estándar (BSM, por sus siglas en inglés) dependen fuertemente de escaneos globales de parámetros para reconciliar los modelos teóricos con las restricciones experimentales. Actualmente, la infraestructura para estos escaneos suele reescribirse desde cero para cada nuevo modelo. Este enfoque conduce a cuatro problemas críticos:

Falta de Reutilización: Las operaciones independientes del modelo (por ejemplo, construir la matriz PMNS, diagonalizar matrices de masa, extraer ángulos de mezcla) se reimplementan de forma independiente para cada estudio, a menudo con sutiles diferencias de convención.
Desafíos de Reproducibilidad: Los ajustes de búsqueda, los priors y los cortes de validez están embebidos directamente en el código en lugar de estar declarados explícitamente, lo que hace que los escaneos publicados sean difíciles de reproducir.
Cuellos de Botella de Rendimiento: Los bucles internos interpretados limitan el número de puntos evaluables, obligando a que los estudios se diseñen en función de los límites computacionales en lugar de las preguntas de física.
Rigidez Algorítmica: Los algoritmos de búsqueda están fusionados con el código del modelo; cambiar la estrategia de búsqueda (por ejemplo, de muestreo aleatorio a evolución diferencial) requiere reescribir el controlador, lo que conduce a la herencia no crítica de algoritmos subóptimos.
Los marcos de trabajo de propósito general existentes como Gambit, HEPfit y flavio abordan partes de este problema, pero a menudo incurren en un peso arquitectónico considerable. Añadir un modelo a estos sistemas requiere escribir módulos en C++ y registrarlos con motores de resolución de dependencias, lo cual es desproporcionado para modelos donde el costo computacional principal es la diagonalización de matrices pequeñas (por ejemplo, modelos de sabor o Teorías de Campo Efectivas) en lugar de la generación de espectros completos o la interfaz con múltiples generadores de espectros externos.

Metodología

BSMScanner es un marco de trabajo ligero diseñado para tratar un modelo BSM como un documento declarativo en lugar de un programa. Su filosofía central es separar la especificación del modelo del motor de búsqueda y la lógica de evaluación.

Arquitectura

El marco opera en tres capas:

Front-end de Python: Lee las especificaciones del modelo en YAML, las valida contra un esquema, expande funciones analíticas reutilizables y construye un grafo de dependencias tipado. Detecta ciclos, selecciona el subgrafo activo requerido para salidas específicas y reduce el resultado en un plan de ejecución compacto.
Núcleo Compilado en C++: El plan de ejecución se compila una vez en un núcleo de C++ inmutable y tipado. Este núcleo evalúa puntos sin realizar llamadas de retorno (callbacks) a Python, almacenando en caché los valores de los nodos, realizando la diagonalización de matrices (usando Eigen) y separando las comprobaciones teóricas de la evaluación de la verosimilitud (likelihood).
Motores de Escaneo y Plugins: Diversos motores de escaneo dirigen el núcleo compilado a través de una interfaz unificada. Los cálculos externos (por ejemplo, la densidad de relicto de micrOMEGAs) se integran mediante una interfaz de plugin estrecha (C++ o Python) sin que el núcleo necesite conocer el backend.

Declaración del Modelo

Los modelos se definen en archivos YAML que contienen:

Parámetros: Entradas escaneadas y fijas con rangos, priors (planos, logarítmicos, logarítmicos con signo) y valores por defecto.
Matrices y Diagonalización: Las matrices de masa y de acoplamiento se definen entrada por entrada. El marco infiere el método de diagonalización (Takagi para Majorana, SVD para Dirac, etc.) basándose en el tipo semántico declarado, asegurando convenciones consistentes para las matrices de mezcla (PMNS, CKM).
Comprobaciones Teóricas: Las condiciones de paso/fallo (por ejemplo, perturbatividad, estabilidad del vacío) se evalúan por separado de la verosimilitud. Los puntos que fallan estas comprobaciones se marcan como inválidos pero no contribuyen a la función objetivo, manteniendo la verosimilitud libre de escalas de penalización arbitrarias.
Observables y Verosimilitudes: Las cantidades físicas se definen mediante expresiones, proyecciones de salidas de diagonalización o llamadas a plugins. Los términos de verosimilitud (Gaussianos, cortes duros, búsquedas en tablas, gaussianos multivariantes) se suman en un objetivo de log-verosimilitud negativa.

Motores de Escaneo

El marco soporta cuatro motores distintos detrás de una interfaz común:

serial_random: Muestreos independientes de los priors; adecuado para problemas de veto puro.
de_scipy: Una implementación independiente de la evolución diferencial de SciPy.
adaptive_diver: Una evolución diferencial nativa de tipo JADE con tasas de mutación y cruce autoadaptativas, además de refinamiento local opcional.
basin_scan: Diseñado para problemas donde las regiones viables son pequeñas o desconectadas. Realiza una exploración de llenado de espacio, agrupa puntos prometedores, construye cajas enfocadas y ejecuta búsquedas adaptativas dentro de esas cajas.

Los estadios opcionales de post-escaneo incluyen refinamiento de la posterior (usando emcee para el muestreo MCMC local) y estadísticas (resúmenes ponderados por verosimilitud).

Contribuciones Clave

Flujo de Trabajo Declarativo: Cambia la definición del modelo de código imperativo a documentos YAML, permitiendo que la maquinaria independiente del modelo (construcción de PMNS/CKM, rutinas de diagonalización, verosimilitudes tabuladas) se importe desde una biblioteca compartida.
Rendimiento: Al compilar el modelo en un núcleo de C++, el marco logra un costo de evaluación marginal de aproximadamente 13–50 µs por punto (dependiendo de la complejidad del modelo), lo que permite la evaluación de $10^6$ puntos en menos de un minuto en un solo núcleo.
Flexibilidad: Cambiar la estrategia de búsqueda o añadir restricciones requiere únicamente la edición de la configuración YAML, no la reescritura de código.
Reproducibilidad: Cada ejecución genera artefactos legibles por máquina (points.csv, metadata.json, summary.json, best_fit.json) que contienen la configuración completa, la semilla y la versión del marco, permitiendo la reconstrucción exacta de los resultados.

Resultados y Benchmarks

El marco fue validado en seis modelos de referencia que abarcan de 4 a 26 parámetros libres:

Modelo Scotogénico (26 parámetros): Navegó con éxito una superficie de verosimilitud compleja con múltiples mínimos locales usando adaptive_diver, encontrando un mejor objetivo de 0.64.
Modelo Minimal B−L (7 parámetros): Mapeó una meseta de seis dimensiones donde el mínimo está definido por límites analíticos, demostrando la capacidad del motor para explorar regiones válidas en lugar de solo localizar un único punto.
Modelo de Dos Dobletes de Higgs (6 parámetros): Resolvió un escenario donde la región válida ocupa solo $10^{-4}$ del volumen del prior; basin_scan logró sembrar la búsqueda con éxito, mientras que un adaptive_diver inicializado aleatoriamente se estancó.
SMEFT (Base de Warsaw, 9 parámetros): Alcanzó un mínimo de objetivo de $2 \times 10^{-12}$ , reproduciendo inversiones analíticas de las restricciones de S, T y $\kappa_V$ con cuatro dígitos de precisión.
Dark Matter Z′ Simplificado (4 parámetros): Demostró una cobertura efectiva de la región permitida para un problema de veto puro.
Leptoquark Escalar S1 (4 parámetros): Encontró una línea de óptimo degenerada donde los acoplamientos escalan con la masa, reproduciendo los valores centrales para $R(D^{(*)})$ y $B(B^+ \to K^+ \nu \bar{\nu})$ .
Las comprobaciones analíticas confirmaron que los resultados del escaneo coincidían con las expectativas teóricas para los valores mínimos y los límites de las restricciones en todos los modelos de referencia.

Significación

BSMScanner aborda las necesidades específicas de la construcción de modelos de sabor y la fenomenología de EFT, donde el cuello de botella computacional es a menudo la diagonalización repetida de matrices pequeñas en lugar de la generación de espectros completos. Al proporcionar una alternativa ligera y declarativa a los marcos más pesados, permite a los investigadores:

Reutilizar componentes independientes del modelo sin reescribir código.
Iterar rápidamente sobre las definiciones de modelos y estrategias de búsqueda mediante ediciones de YAML.
Lograr una alta tasa de evaluación de rendimiento adecuada para escaneos de alta dimensionalidad.
Garantizar la reproducibilidad mediante la configuración explícita y la generación de artefactos.

El marco no compite con herramientas diseñadas para la generación de espectros completos e integración de múltiples backends (como Gambit), sino que ofrece una solución especializada y eficiente para modelos donde el contenido físico se define por un conjunto limitado de parámetros y operaciones matriciales.