Optimizing Yukawa couplings to suppress Dimension-five Proton Decay in $SU(5)$ GUT

तकनीकी सारांश: डाइमेंशन-फाइव प्रोटॉन क्षय को दबाने के लिए यूकावा कपलिंग का अनुकूलन (Optimizing) करना - SU(5) GUT में

समस्या विवरण
न्यूनतम सुपरसिमेट्रिक (SUSY) $SU(5)$ ग्रैंड यूनिफाइड थ्योरी (GUT) एक गंभीर घटनात्मक बाधा का सामना करती है: कलर-हिग्सिनो (colored-Higgsino) विनिमय से उत्पन्न होने वाले डाइमेंशन-फाइव ऑपरेटर्स के कारण तीव्र प्रोटॉन क्षय। प्रयोगात्मक सीमाएं, विशेष रूप से सुपर-कमीकोके (Super-Kamiokande) की सीमा $\tau(p \to K^+ \bar{\nu}) > 5.9 \times 10^{33}$ वर्ष, इस मॉडल की व्यवहार्यता को गंभीर रूप से बाधित करती हैं। जबकि उच्च-आयामी निरूपणों (विशेष रूप से 45 और $\overline{45}$) के साथ हिग्स क्षेत्र का विस्तार करना और गैर-रेनॉर्मलाइज़ेबल इंटरैक्शन को शामिल करना सैद्धांतिक रूप से इस मुद्दे को हल कर सकता है, ये विस्तार एक विशाल, उच्च-आयामी पैरामीटर स्पेस पेश करते हैं। यह स्थान, जो अनगिनत मिक्सिंग एंगल्स, CP फेजेस और मास स्केल्स द्वारा व्याप्त है, पारंपरिक ब्रूट-फोर्स संख्यात्मक स्कैन को गणनात्मक रूप से अव्यवहार्य बना देता है क्योंकि यह "डायमेंशनलिटी के अभिशाप" (curse of dimensionality) से ग्रस्त है।

कार्यप्रणाली (Methodology)
इस कम्प्यूटेशनल चुनौती को संबोधित करने के लिए, लेखक मशीन लर्निंग ऑप्टिमाइज़ेशन तकनीकों, विशेष रूप से 'एडम ऑप्टिमाइज़र' (Adam optimizer) का उपयोग करते हैं, ताकि एक संशोधित SUSY $SU(5)$मॉडल के पैरामीटर स्पेस में नेविगेट किया जा सके। अध्ययन तीन पीढ़ियों के मैटर फील्ड्स ($5 + 10$), इलेक्ट्रोवीक-ब्रेकिंग हिग्स फील्ड्स ($5 + \overline{5} + 45 + \overline{45}$), और एक GUT-ब्रेकिंग फील्ड ($24$) वाले मॉडल पर केंद्रित है।

कार्यप्रणाली में निम्नलिखित चरण शामिल हैं:

1. मॉडल फॉर्मूलेशन: लेखक देखे गए MSSM फर्मियन द्रव्यमान और मिक्सिंग एंगल्स (CKM मैट्रिक्स) के साथ GUT स्केल ($\sim 2 \times 10^{16}$ GeV) पर मिलान करके GUT-स्केल यूकावा कपलिंग मैट्रिसेस ($Y_5, Y_{\overline{5}}, Y_{45}, Y_{\overline{45}}$) प्राप्त करते हैं। इसमें हिग्स डबलट्स के मास मैट्रिसेस को लाइट $\mu$-term सुनिश्चित करने के लिए फाइन-ट्यून करना शामिल है, जबकि भारी कलरड हिग्स ट्रिपलेट्स को बनाए रखा जाता है।
2. क्षय दर गणना (Decay Rate Calculation): डाइमेंशन-फाइव ऑपरेटर्स प्राप्त करने के लिए कलरड हिग्स फील्ड्स को इंटीग्रेट आउट करके $p \to K^+ \bar{\nu}$ के आंशिक क्षय की चौड़ाई (partial decay width) की गणना की जाती है। इन ऑपरेटर्स को फिर GUT स्केल से हैड्रोनिक स्केल तक RG इक्वेशंस के माध्यम से विकसित किया जाता है, जिसमें SUSY कणों के द्रव्यमान (बेंचमार्क स्पेक्ट्रम के लिए 3 TeV पर स्थिर) और हैड्रोनिक मैट्रिक्स एलिमेंट्स को शामिल किया जाता है।
3. ऑप्टिमाइज़ेशन सेटअप: पैरामीटर स्पेस की खोज को एक ऑप्टिमाइज़ेशन समस्या के रूप में फ्रेम किया गया है। एक लॉस फंक्शन को $p \to K^+ \bar{\nu}$ क्षय की मीन लॉग-स्केल्ड पार्शियल विड्थ के रूप में परिभाषित किया गया है।
4. पैरामीटर स्पेस: ऑप्टिमाइज़ेशन 33 पैरामीटर्स को बदलता है:
   • तीन अनिर्धारित यूनिटरी मैट्रिसेस ($U_u, U_e, V_e$) को पैरामीटराइज़ करने वाले 27 एंगल्स और फेजेस।
   • 6 संभावित सेक्टर पैरामीटर्स ($M, \lambda, \kappa, \kappa', \lambda_a, \lambda_b$) जो हिग्स मास टर्म्स और कपलिंग्स को नियंत्रित करते हैं।
   • पैरामीटर $m$ को $\det(M_{\text{doublet}}) = 0$ की स्थिति द्वारा प्रतिबंधित किया गया है।
5. निष्पादन (Execution): TensorFlow का उपयोग करते हुए, लेखक $N=4096$ रैंडम पैरामीटर कॉन्फ़िगरेशन को इनिशियलाइज़ करते हैं और लॉस फंक्शन को कम करने के लिए 100,000 एपॉक्स (epochs) में पुनरावृत्ति से अपडेट करते हैं। यह प्रक्रिया $\tan \beta$ के चार अलग-अलग मानों (3, 10, 30, और 50) के लिए दोहराई जाती है।

प्रमुख परिणाम

• ऑप्टिमाइज़ेशन प्रभावकारिता: एडम ऑप्टिमाइज़र ने 33-आयामी स्थान में सफलतापूर्वक नेविगेट किया, जिससे लॉस फंक्शन में तेजी से कमी आई। अनुकूलित पैरामीटर सेटों ने रैंडम कॉन्फ़िगरेशन की तुलना में प्रोटॉन लाइफटाइम वितरण को लंबे मानों की ओर लगातार स्थानांतरित किया।
• पैरामीटर लोकलाइजेशन: विश्लेषण से पता चला कि अनुकूलित पैरामीटर्स समान रूप से वितरित नहीं होते हैं। इसके बजाय, विशिष्ट मिक्सिंग एंगल्स (विशेष रूप से यूनिटरी मैट्रिसेस $U_u$ और $U_e$ में) और संभावित कपलिंग्स (जैसे $M$ और $\kappa$) में स्थानीयकृत वितरण प्रदर्शित करते हैं। यह सुझाव देता है कि प्रोटॉन क्षय को दबाने के लिए यूकावा मैट्रिसेस और GUT-स्केल पोटेंशियल सेक्टर के बीच एक अत्यधिक विशिष्ट, गैर-तुच्छ संरेखण (alignment) की आवश्यकता होती है।
• $\tan \beta$ पर निर्भरता: $\tan \beta$ के प्रति प्रोटॉन लाइफटाइम की संवेदनशीलता का एक महत्वपूर्ण निष्कर्ष निकला।
  • निचले मानों ($\tan \beta = 3, 10$) के लिए, ऑप्टिमाइज़र ने ऐसे क्षेत्रों की पहचान करने में सफलता प्राप्त की जहाँ प्रोटॉन लाइफटाइम सुपर-कमीकोके की सीमा से अधिक है।
  • जैसे-जैसे $\tan \beta$ बढ़ता है (30 और 50), डाउन-टाइप क्वार्क और लेप्टॉन सेक्टर के योगदान में वृद्धि डाइमेंशन-फाइव क्षय ऑपरेटर्स को महत्वपूर्ण रूप से बढ़ा देती है। फलस्वरूप, अनुकूलित प्रोटॉन लाइफटाइम घट जाता है, जिससे प्रयोगात्मक निचली सीमा को संतुष्ट करना कठिन हो जाता है। उच्च $\tan \beta$ शासन (regime) में, आवश्यक कैंसिलेशन पैरामीटर स्पेस के भीतर अधिक सख्त और कम संभावित हो जाते हैं।

महत्व और दावे
यह पेपर दावा करता है कि मशीन लर्निंग ऑप्टिमाइज़ेशन, BSM (Beyond-the-Standard-Model) भौतिकी की उन समस्याओं को हल करने के लिए एक प्रभावी उपकरण है जो "डायमेंशनलिटी के अभिशाप" से ग्रस्त हैं। एक विस्तारित SUSY $SU(5)$ मॉडल के पैरामीटर स्पेस को व्यवस्थित रूप से खोजकर, लेखक दिखाते हैं कि ऐसे व्यवहार्य क्षेत्र मौजूद हैं जहाँ डाइमेंशन-फाइव प्रोटॉन क्षय को स्वीकार्य स्तरों तक दबाया जा सकता है।

हालाँकि, लेखक इन समाधानों की सार्वभौमिकता के संबंध में विनम्र बने हुए हैं। वे इस बात पर जोर देते हैं कि जबकि एल्गोरिदम उन विशिष्ट, गैर-तुच्छ संरेखणों की पहचान कर सकता है जो क्षय को कम करते हैं, मॉडल की व्यवहार्यता $\tan \beta$ के मान पर अत्यधिक निर्भर है। अध्ययन यह निष्कर्ष निकालता है कि हालांकि ढांचा लचीला और शक्तिशाली है, उच्च $\tan \beta$ शासन में ट्रिपलेट-हिग्सिनो-मध्यस्थ क्षय को दबाना प्रयोगात्मक सीमाओं को पूरा करने की मॉडल की क्षमता पर कड़े प्रतिबंध लगाता है। यह कार्य जटिल GUT पैरामीटर स्पेस के लिए ऑप्टिमाइज़ेशन एल्गोरिदम को लागू करने के लिए एक 'प्रूफ-ऑफ-कॉन्सेप्ट' के रूप में कार्य करता है, जिसकी $SO(10)$ जैसे अन्य GUT समूहों में भी संभावित प्रयोज्यता है।