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

Cet article présente HS3, une nouvelle norme de sérialisation indépendante de l'implémentation, lisible par l'humain et extensible, conçue pour fournir un format universel et conforme aux principes FAIR pour la représentation et l'échange de modèles statistiques en physique des hautes énergies, surmontant ainsi les limitations des formats logiciels existants.

L'essentiel

Imaginez que la physique des hautes énergies (l'étude des particules minuscules comme celles du Grand Collisionneur de Hadrons) soit comme un immense concours de cuisine mondial. Depuis des décennies, les chefs (les scientifiques) créent des recettes incroyables (des modèles statistiques) pour expliquer le fonctionnement de l'univers. Cependant, il y avait un problème majeur : chaque chef écrivait sa recette dans une langue différente et secrète.

Certains écrivaient en « ROOT », un code complexe que seuls des ordinateurs spécifiques pouvaient lire. D'autres écrivaient en « pyhf », un format plus simple, facile à lire pour les humains, mais incapable de gérer tous les types de plats. Si vous vouliez combiner deux recettes pour faire un repas plus consistant, ou si vous vouliez lire une recette d'il y a 10 ans sur un nouvel ordinateur, cela était souvent impossible. Les recettes étaient comme des notes manuscrites sur des serviettes qui pouvaient pourrir si l'encre s'effaçait ou si le papier mouillait.

Entrez en scène : HS3, le Livre de Recettes Universel

Ce document présente HS3 (High-Energy Physics Statistics Serialization Standard). Considérez HS3 comme une nouvelle langue universelle pour les recettes qui résout tous ces problèmes.

Voici comment cela fonctionne, en utilisant des analogies simples :

1. Le langage « Descriptif » (Le menu, pas le chef)

Auparavant, certains formats de recettes étaient comme donner à un robot une liste d'instructions strictes et étape par étape (ex : « Tournez à gauche, puis remuez pendant 3 secondes »). Si le robot tombait en panne, la recette devenait inutile.
HS3 est différent. Il est descriptif. Il ne dit pas à l'ordinateur comment cuisiner ; il décrit simplement ce qu'est le plat. Il dit : « Ceci est une soupe Gaussienne », ou « Ceci est un ragoût de Poisson ».

• L'analogie : Imaginez un menu qui liste les ingrédients et les saveurs, mais qui ne se soucie pas de savoir si vous cuisinez dans une cuisine française, une cuisine japonaise ou au micro-ondes. Parce qu'il se contente de décrire le plat, n'importe quel chef (n'importe quel programme informatique) peut le lire et le cuisiner à sa manière.

2. La structure « LEGO » (Les blocs de construction)

Le document explique que HS3 construit des modèles comme un graphe de calcul, ce qui est une façon sophistiquée de dire « une carte de blocs LEGO ».

• Vous avez des blocs pour les ingrédients (données).
• Vous avez des blocs pour les règles (fonctions).
• Vous avez des blocs pour le plat final (vraisemblance/likelihood).
• La magie : Vous pouvez emboîter ces blocs de manière claire et logique. Si vous voulez changer un ingrédient, il vous suffit de remplacer ce bloc précis. Vous n'avez pas besoin de reconstruire toute la tour. Cela permet de voir facilement comment l'ensemble du modèle est assemblé, même s'il s'agit d'une structure géante et complexe.

3. La fonction « Voyage dans le temps » (Préservation à long terme)

L'une des plus grandes inquiétudes en science est : « Serons-nous capables de lire nos données dans 50 ans ? »

• L'ancienne méthode : Si vous enregistrez un fichier dans une version spécifique d'un programme, et que ce programme disparaît dans 10 ans, votre fichier devient un « fossile numérique » : illisible.
• La méthode HS3 : Comme HS3 est écrit dans un format simple et lisible par l'humain (comme le JSON, qui ressemble à du texte brut), il ne dépend d'aucun logiciel spécifique. Même si tous les ordinateurs actuels tombaient en panne, un humain pourrait théoriquement lire le fichier HS3 et comprendre la recette. C'est comme écrire une recette en anglais plutôt qu'en code secret ; elle survit à la disparition des outils utilisés pour l'écrire.

4. Le « Traducteur » (Interopérabilité)

Le document montre que HS3 agit comme un traducteur universel.

• Il peut prendre une recette écrite dans l'ancien langage « ROOT » et la traduire en HS3.
• Il peut prendre une recette de « pyhf » et la traduire en HS3.
• Il peut même traduire en retour.
• Le résultat : Un scientifique utilisant un ordinateur Python peut désormais partager un modèle avec un scientifique utilisant un ordinateur C++, et ils peuvent tous deux le comprendre parfaitement. Ils peuvent même vérifier s'ils obtiennent les mêmes résultats, comme deux chefs goûtant la même soupe pour s'assurer que la recette est cohérente.

5. Pourquoi est-ce important maintenant ?

Le document soutient que le domaine de la physique passe de la simple « découverte de nouvelles particules » à la « mesure de celles-ci avec une précision extrême ». Cela nécessite de combiner de nombreuses expériences et modèles différents.

• Le problème : On ne peut pas combiner des recettes si elles sont écrites dans des langues différentes.
• La solution : HS3 permet aux scientifiques de combiner ces modèles facilement, de vérifier les erreurs et de les publier afin que quiconque (même des personnes extérieures à l'équipe d'origine) puisse tester de nouvelles théories.

Résumé

En bref, HS3 est un nouveau standard pour rédiger les « recettes mathématiques » de la physique des particules. Il est :

• Lisible par l'humain : Vous pouvez le lire avec vos yeux, pas seulement avec une machine.
• Universel : Il fonctionne à travers différents langages informatiques et logiciels.
• Prêt pour le futur : Il garantit que les découvertes scientifiques d'aujourd'hui pourront être comprises et réutilisées par les générations futures, quelle que soit la technologie qu'elles utiliseront.

Le document affirme que ce standard est déjà utilisé pour publier des données, vérifier les résultats entre différents programmes informatiques et même aider les étudiants à apprendre les statistiques. C'est la première étape vers la création d'une « bibliothèque de la physique » véritablement ouverte et accessible à tous.

Résumé technique

Résumé Technique : HS3 – Un standard de sérialisation descriptif et interopérable pour les modèles statistiques en physique des hautes énergies

Énoncé du problème
Les modèles statistiques en physique des hautes énergies (HEP) sont les artefacts scientifiques primaires encodant la relation entre les données observées, les paramètres de physique et les incertitudes. Bien que l'inférence basée sur la vraisemblance soit centrale pour les mesures de précision, les ajustements de la théorie effective des champs (EFT) et les combinaisons de méta-analyses, l'écosystème actuel pour représenter ces modèles est fragmenté. Les formats existants, tels que les espaces de travail ROOT, les fichiers JSON de pyhf et les CMS DataCards, sont liés à des piles logicielles spécifiques (par exemple, C++/ROOT, Python). Cela crée des barrières significatives à l'interopérabilité, à la validation et à la préservation à long terme. Les espaces de travail ROOT sont binaires et dépendants de la version ; le JSON de pyhf est lisible par l'humain mais limité en portée par rapport à RooFit ; et les CMS DataCards dépendent d'implémentations C++ spécifiques. Par conséquent, la conversion entre formats est fragile, la validation croisée entre frameworks est difficile, et l'utilisabilité à long terme des modèles est menacée par l'obsolescence logicielle.

Méthodologie et principes de conception
Les auteurs introduisent HS3 (High-Energy Physics Statistics Serialization Standard), un format de sérialisation agnostique vis-à-vis de l'implémentation, lisible par l'humain et extensible. La conception est guidée par plusieurs principes fondamentaux :

• Langage spécifique au domaine (DSL) descriptif : HS3 est une spécification déclarative de structures mathématiques (distributions, fonctions, paramètres, jeux de données) plutôt qu'un encodage de la logique d'exécution. Il sépare la sémantique mathématique de l'implémentation algorithmique, permettant à différents moteurs d'inférence d'interpréter le même modèle.
• Représentation par graphe de calcul : Les modèles sont représentés comme des graphes acycliques dirigés (DAG) où les nœuds sont des distributions, des fonctions ou des données nommées, et les arêtes représentent les dépendances. Le standard supporte une granularité hybride, permettant à la fois des nœuds composites de haut niveau (par exemple, histfactory_dist pour les modèles basés sur des templates) et des opérations élémentaires de bas niveau. Cela préserve la structure sémantique tout en permettant des optimisations de backend.
• Interopérabilité et complétude : HS3 est conçu pour être sémantiquement complet par rapport à RooFit (le framework le plus expressif actuel) tout en conservant la lisibilité du JSON de pyhf. Il vise à supporter à la fois les vraisemblances binées et non binées, les modèles composites hiérarchiques et les distributions étendues.
• Lisibilité humaine et machine : Le format canonique est le JSON, choisi pour sa maturité d'outillage et sa structure explicite. Tous les objets sont nommés de manière unique pour garantir des références sans ambiguïté, facilitant le contrôle de version et la modification incrémentale.
• Principes FAIR : Le standard s'aligne sur les principes Facile à trouver, Accessible, Interopérable et Réutilisable (FAIR), utilisant des identifiants persistants et des formats ouverts pour garantir que les modèles restent utilisables à mesure que les environnements logiciels évoluent.

Structure du standard
Un document HS3 est organisé en sections de haut niveau contenant des objets indexés :

• Distributions : Fondamentales (ex: Gaussienne, Poisson) et composées.
• Fonctions : Transformations mathématiques déterministes (élémentaires ou définies par l'utilisateur).
• Données : Jeux de données observés ou simulés (binés ou non binés).
• Vraisemblances (Likelihoods) : Objets combinant distributions et données.
• Domaines : Définitions des plages de paramètres, des types (continu/discret) et des contraintes.
• Points de paramètres : Ensembles nommés de valeurs pour les benchmarks ou les points de départ.
• Analyses : Prescriptions de haut niveau définissant les paramètres d'intérêt (POI), les paramètres de nuisance et les statistiques de test.
• Métadonnées : Provenance, versioning et auteur.
• Divers (Misc) : Indices non normatifs pour la visualisation ou la configuration.

Contributions clés et implémentations
L'article détaille le développement de HS3 et son intégration avec les frameworks existants :

1. Intégration ROOT/RooFit : Une bibliothèque intégrée dans ROOT 6.36 permet la conversion bidirectionnelle entre les objets RooWorkspace et le JSON HS3, préservant les noms, les paramètres et la normalisation. Cela sert d'implémentation de référence.
2. CMS Combine et DataCards : Les DataCards peuvent être analysés en RooWorkspaces puis exportés en HS3. La nature modulaire de HS3 permet l'inclusion future de constructions de modélisation spécifiques à CMS.
3. Compatibilité pyhf : Les modèles JSON de pyhf peuvent être traduits en HS3 en promouvant les canaux en nœuds histfactory_dist. Inversement, des modèles HS3 simples peuvent être convertis en JSON de pyhf.
4. Implémentations multi-langages :
   • pyhs3 : Un package Python pur fournissant des parseurs, des validateurs et des outils pour construire des modèles HS3, assurant la cohérence avec ROOT.
   • HS3.jl : Une implémentation en Julia offrant un parsing de haute performance et des structures de données natives, facilitant l'intégration avec les outils JuliaHEP et l'inférence basée sur le gradient.

Résultats et premières applications
L'article présente la validation et l'application précoce du standard :

• Validation croisée : La Figure 1 démontre un bon accord entre les courbes de vraisemblance de profil générées par l'implémentation C++ de ROOT et l'implémentation Python de pyhs3 pour une mesure ATLAS V H, validant la cohérence numérique entre les frameworks.
• Intégration HEPData : HEPData supporte désormais HS3 via un système de "badge". Plusieurs analyses ATLAS (mesures du Higgs, recherches de nouvelle physique, analyses SM) ont été publiées avec des vraisemblances basées sur HS3, permettant aux utilisateurs externes de reconstruire les modèles sans stacks logicielles spécifiques.
• Analyses combinées : Des études de preuve de concept montrent que plusieurs vraisemblances publiques peuvent être combinées en un seul modèle sans réécriture manuelle, en exploitant l'encodage explicite des noms de paramètres et des contraintes de HS3.
• Projet DEMOS : HS3 a été sélectionné comme format de référence pour le projet DEMOS, qui vise à unifier la modélisation statistique entre la physique des particules, l'astroparticule et la physique nucléaire.
• Éducation : La nature lisible par l'humain de HS3 le rend adapté à l'enseignement de l'inférence statistique, servant de pont entre les supports conceptuels et les analyses scientifiques complètes.

Signification et revendications
Les auteurs postulent que HS3 établit les fondations pour des modèles statistiques FAIR et pérennes au LHC et au-delà. En découplant les définitions de modèles des moteurs d'inférence et des langages de programmation spécifiques, HS3 répond au besoin critique de reproductibilité, de réinterprétation et de préservation à long terme dans une ère dominée par les incertitudes systématiques et les ajustements globaux complexes. L'article affirme que HS3 fournit un langage stable, extensible et indépendant des frameworks capable d'évoluer pour répondre aux besoins de la communauté scientifique élargie, devenant potentiellement pour les modèles statistiques ce que les fichiers .root sont pour le stockage de données : une représentation durable, portable et universellement échangeable. Le standard n'est pas présenté comme une solution finale et immuable, mais comme un cadre vivant régi par le consensus de la communauté et le versioning pour assurer la compatibilité ascendante et l'amélioration continue.