TRSMScans

Résumé technique de TRSMScans

Énoncé du problème
Les collaborations expérimentales au Grand collisionneur de hadrons (LHC) recherchent activement une physique au-delà du Modèle Standard (BSM), particulièrement dans les secteurs scalaires étendus. Bien que de nombreuses recherches soient menées de manière indépendante du modèle — en fixant des limites supérieures sur les sections efficaces de production multipliées par les rapports de branchement ($\sigma \times \text{BR}$) — la comparaison de ces résultats avec des modèles BSM spécifiques est essentielle pour déterminer la sensibilité et contraindre les espaces de paramètres. Cependant, les modèles scalaires étendus contiennent souvent de multiples paramètres libres (par exemple, les angles de mélange, les valeurs d'attente du vide, et les masses). Les présentations expérimentales conventionnelles fixent souvent tous les paramètres sauf deux, ce qui peut passer à côté de régions critiques de l'espace des paramètres où les taux prédits sont maximaux. Trouver analytiquement les taux maximaux dans de tels espaces de grande dimension est infaisable, et l'échantillonnage aléatoire ou systématique devient de plus en plus coûteux en calcul à mesure que le nombre de paramètres libres augmente, nécessissant un nombre croissant de points pour converger vers un maximum avec une confiance raisonnable.

Méthodologie
Pour répondre à ce défi, les auteurs introduisent TRSMScans, un nouvel outil logiciel conçu pour calculer automatiquement les prédictions de sections efficaces maximales pour les scénarios de nouvelle physique impliquant des états scalaires additionnels. L'outil est construit sur Python et sert de wrapper intelligent pour deux codes publics : ScannerS et HiggsTools (qui utilisent HiggsBounds et HiggsSignals).

La méthodologie centrale repose sur un algorithme d'optimisation itératif, actuellement implémenté sous la forme d'une stratégie de « zoom » :

1. Pré-scan : Un échantillonnage aléatoire initial de l'espace complet des paramètres libres est effectué pour estimer la topologie des régions autorisées. Cette étape dépend uniquement des masses scalaires et est indépendante des modes de production ou de désintégration spécifiques.
2. Filtrage : Les points échantillonnés sont validés par rapport aux contraintes théoriques (bornage de la densité d'énergie, perturbativité, observables de précision électrofaible) via ScannerS, et contre les contraintes de recherche directe via HiggsTools. Des filtres supplémentaires excluent les points où les largeurs relatives des scalaires dépassent des limites configurables (par défaut 15 %).
3. Optimisation : Sur la base du pré-scan, une estimation de la densité noyau divise le volume des paramètres en volumes plus petits contenant des « bosses » locales dans la quantité cible ($x_b = \sigma \times \text{BR}$). Des optimiseurs distincts sont lancés pour chaque volume.
4. Convergence : Chaque optimiseur échantillonne de manière itérative un volume décroissant avec une densité de points croissante. Le processus utilise le traitement parallèle (via la bibliothèque multiprocessing de Python) pour améliorer l'efficacité.
5. Conditions d'arrêt : L'optimisation se termine lorsque des conditions d'arrêt locales (augmentation suffisante du maximum local) ou globales (comparabilité avec le maximum global le plus élevé trouvé) sont remplies. Une stratégie de précision adaptative peut également être employée, ajustant la rigueur en fonction du ratio entre le maximum actuel et une limite expérimentale cible.

Principales contributions

• Automatisation du calcul des taux maximaux : TRSMScans trouve efficacement les taux prédits maximaux pour des signatures de collisionneurs spécifiques avec une intervention humaine minimale, en scannant sur tous les paramètres libres pour des points de masse fixes.
• Architecture modulaire : Bien qu'actuellement optimisé pour le Modèle des Deux Scalaires Réels Singlets (TRSM), l'outil est conçu pour être extensible à tout modèle supporté par ScannerS et HiggsTools.
• Flux de travail complet : Le package inclut des scripts pour l'installation, l'exécution des optimisations (points de masse uniques ou listes de masses), la parallélisation (incluant le support de batch HTCondor), et la génération de graphiques (évolution des points et graphiques de combinaison).
• Intégration avec les données expérimentales : L'outil permet la comparaison directe des taux théoriques maximaux avec les limites expérimentales (attendues et observées) des collaborations du LHC, facilitant l'identification des régions de paramètres exclues.

Résultats et applications
L'article démontre les performances de l'outil en utilisant le TRSM, qui introduit deux scalaires réels additionnels au potentiel du Modèle Standard. Le modèle présente sept paramètres libres (trois masses, trois angles de mélange et une valeur d'attente du vide), réduits à cinq paramètres libres lorsque les masses scalaires sont fixées.

• Performance : Les visualisations (Figures 1–3) montrent le processus d'optimisation par « zoom » convergeant vers des maxima locaux et globaux pour un point de masse spécifique ($m_X = 1000$ GeV, $m_S = 300$ GeV) dans le canal $SH \to b\bar{b}\tau^+\tau^-$. Les graphiques illustrent comment les optimiseurs se concentrent autour des maxima et affinent itérativement la recherche.
• Comparaison expérimentale : Les auteurs appliquent l'outil aux résultats récents du LHC. La Figure 4 affiche les taux maximaux autorisés dans le plan $m_X$-$m_S$ comparés aux limites de recherche CMS pour $SH \to b\bar{b}\tau^+\tau^-$. La Figure 5 présente une comparaison similaire pour la recherche ATLAS pour $SH \to b\bar{b}\gamma\gamma$. Ces graphiques identifient les régions où les limites expérimentales tombent en dessous des taux théoriques maximaux, indiquant une sensibilité au TRSM.

Signification et revendications
Les auteurs positionnent TRSMScans comme une solution pratique au « défi fondamental » de l'échantillonnage d'espaces de paramètres à $N$ dimensions pour trouver les maxima globaux. En automatisant le processus et en utilisant des algorithmes intelligents plutôt qu'un échantillonnage par force brute, l'outil permet une exploration plus approfondie des espaces de paramètres BSM que les scans traditionnels à paramètres fixes. L'article affirme que bien que la version actuelle soit optimisée pour le TRSM, la structure sous-jacente permet une extension à n'importe quel modèle disponible dans le cadre de ScannerS. L'outil est présenté comme une étape vers une interprétation plus efficace des données du LHC dans le contexte de modèles scalaires étendus spécifiques, avec des développements futurs prévus pour inclure des stratégies d'optimisation plus sophistiquées et des améliorations computationnelles.