evortran: a modern Fortran package for genetic algorithms with applications from LHC data fitting to LISA signal reconstruction

Questo articolo presenta evortran, una moderna libreria Fortran ad alte prestazioni per algoritmi genetici, illustrandone le funzionalità, i benchmark e le applicazioni pratiche nel fitting di dati LHC e nella ricostruzione di segnali LISA.

L'essenziale

🧬 Che cos'è evortran? L'evoluzione al computer

Immagina di dover trovare il punto più basso in un enorme labirinto di montagne e valli, ma sei bendato e non puoi vedere la mappa. Inoltre, il terreno è scivoloso, pieno di buche e non puoi usare le mappe (i calcoli matematici complessi). Come fai a trovare la via d'uscita?

La soluzione è usare un Algoritmo Genetico. È come se invece di un solo esploratore, mandassi un'intera tribù di esploratori (chiamati "individui") in giro per il labirinto.

1. Nascita: Li fai nascere in punti casuali.
2. Valutazione: Chiedi a ciascuno: "Quanto sei vicino all'uscita?".
3. Selezione: Chi è più vicino all'uscita (il più "adatto") ha più probabilità di avere dei "figli".
4. Incrocio: I migliori si "accoppiano" e mescolano le loro strategie per creare nuovi esploratori.
5. Mutazione: Ogni tanto, un esploratore cambia strada in modo casuale (magari trova un passaggio segreto che gli altri non vedevano).
6. Sopravvivenza: I migliori sopravvivono per la prossima generazione.

evortran è un nuovo "kit di strumenti" scritto in Fortran (un linguaggio di programmazione molto veloce, usato spesso per i supercomputer) che permette agli scienziati di creare e gestire questa tribù di esploratori digitali in modo facilissimo e velocissimo.

---

🚀 Perché è speciale? Tre superpoteri

Il paper spiega che evortran non è solo un altro programma, ma ha tre caratteristiche che lo rendono unico:

1. La "Scatola dei Giocattoli" Modulare 🧩

Immagina di costruire un robot. Con evortran, puoi scegliere ogni singolo pezzo:

• Vuoi che gli esploratori si accoppino in modo aggressivo o delicato?
• Vuoi che facciano salti grandi e casuali o piccoli aggiustamenti?
• Vuoi che i migliori rimangano sempre nel gruppo?
  Puoi mixare e abbinare queste strategie per adattarle al tuo problema specifico. È come avere una scatola di LEGO infinita dove costruisci l'algoritmo perfetto per il tuo compito.

2. La Squadra che Lavora in Parallelo 🏃‍♂️💨

Di solito, i computer fanno le cose una alla volta. evortran è come se avesse un esercito di supercomputer che lavorano tutti insieme.

• L'analogia: Se devi cercare un oggetto in una biblioteca enorme, un solo bibliotecario ci metterebbe giorni. Con evortran, puoi dividere la biblioteca in 20 sezioni e mandare 20 bibliotecari a cercare contemporaneamente.
• Il paper mostra che questo rende il programma centinaia di volte più veloce quando i calcoli sono difficili.

3. Il "Viaggio di Migrazione" 🌍✈️

Questa è la parte più intelligente. Immagina di avere diverse tribù che esplorano parti diverse del labirinto. Ogni tanto, le tribù si incontrano e si scambiano i migliori esploratori.

• A cosa serve? Evita che tutte le tribù finiscano bloccate nella stessa "trappola" (un minimo locale). Se una tribù trova una strada migliore, la condivide con le altre. Questo permette di trovare tutte le soluzioni possibili, non solo la prima che si incontra.

---

🌌 A cosa serve nella vita reale? (Due esempi concreti)

Il paper dimostra l'efficacia di evortran con due applicazioni affascinanti:

Esempio 1: La caccia alle particelle misteriose (LHC) 🏛️

Gli scienziati al CERN (LHC) hanno un modello teorico chiamato "S2HDM" che ha 14 parametri liberi (come le manopole di un vecchio radio). Devono girare queste manopole per far sì che il modello corrisponda ai dati reali raccolti dagli esperimenti.

• Il problema: Ci sono milioni di combinazioni possibili. Usare metodi tradizionali è come cercare un ago in un pagliaio a occhi chiusi.
• La soluzione evortran: Ha scansionato tutto lo spazio dei parametri, trovando non solo la soluzione migliore, ma tutti i gruppi di soluzioni possibili che funzionano. Ha scoperto anche combinazioni "strane" (come manopole con segni opposti) che altri metodi avrebbero ignorato.

Esempio 2: Ascoltare l'universo (LISA) 📡

LISA è un futuro telescopio spaziale che ascolterà le "onde gravitazionali" (increspature nello spazio-tempo) generate da eventi cosmici violenti, come la nascita dell'universo.

• Il problema: I dati saranno pieni di "rumore" (come una radio con la statica). Bisogna ricostruire il segnale originale e capire cosa l'ha generato (es. la forza dell'esplosione, la temperatura, ecc.).
• La soluzione evortran: Ha ricostruito il segnale dal rumore, trovando i parametri fisici corretti. Ha anche mostrato che, a seconda di come si impostano le "regole iniziali" (i prior), si possono trovare risposte diverse, aiutando gli scienziati a capire quanto sono sicuri delle loro conclusioni.

---

🇮🇹 In sintesi per tutti

evortran è come un motore di ricerca evolutivo super-potente e veloce.

• È scritto in un linguaggio veloce (Fortran) ma facile da usare.
• Può essere controllato anche da chi usa Python (il linguaggio più popolare oggi).
• Usa la forza del "parallelo" (molti computer che lavorano insieme) per risolvere problemi impossibili per i metodi classici.

In pratica, è uno strumento che aiuta gli scienziati a navigare nel caos dei dati complessi, trovando soluzioni che altrimenti rimarrebbero nascoste, proprio come una tribù di esploratori che, lavorando insieme e condividendo le scoperte, trova l'uscita da un labirinto che nessun singolo esploratore avrebbe mai potuto risolvere da solo.

Sommario tecnico

1. Il Problema

L'ottimizzazione globale in fisica delle alte energie e in cosmologia presenta sfide significative a causa della natura dei problemi da risolvere:

• Spazi di parametri complessi: I modelli oltre il Modello Standard (BSM) e le ricostruzioni di segnali cosmologici spesso coinvolgono spazi di ricerca ad alta dimensionalità, non convessi, discontinui e rumorosi.
• Limitazioni dei metodi basati su gradienti: Le tecniche di ottimizzazione tradizionali (come la discesa del gradiente) falliscono spesso in questi contesti perché richiedono funzioni obiettivo differenziabili e tendono a convergere prematuramente in minimi locali.
• Costo computazionale: La valutazione della funzione di fitness (ad esempio, il calcolo di $\chi^2$ confrontando dati del LHC con modelli teorici o ricostruendo spettri di onde gravitazionali) è computazionalmente onerosa.
• Necessità di soluzioni multiple: In molti casi fisici, non è sufficiente trovare un singolo punto di "miglior adattamento" (best-fit), ma è cruciale identificare tutte le regioni distinte dello spazio dei parametri che sono compatibili con i vincoli teorici e sperimentali (soluzioni degeneri o multiple).

Esistono librerie GA (Genetic Algorithms) in Python (es. DEAP) e C++, ma c'è la necessità di una soluzione moderna in Fortran che offra le prestazioni computazionali di un linguaggio a basso livello mantenendo un'interfaccia utente flessibile e facile da usare, integrabile anche con workflow Python.

2. Metodologia: La libreria evortran

Il documento presenta evortran, una libreria Fortran moderna e modulare progettata per algoritmi genetici ad alte prestazioni.

Architettura e Design

• Linguaggio e Gestione: Sviluppata come pacchetto fpm (Fortran Package Manager), facilitando l'installazione e l'integrazione. Supporta la precisione singola, doppia e quadrupla (tramite flag di pre-processore).
• Livelli di Astrazione: La libreria offre tre livelli di utilizzo:
  1. Operazione diretta su singoli individui (per debug o controllo fine).
  2. Evoluzione di popolazioni intere (ciclo completo di selezione, crossover, mutazione).
  3. Migrazione tra popolazioni (co-evoluzione di più popolazioni indipendenti con scambio periodico di individui).
• Tipi di Dati: Supporta individui con geni a valori interi (binari o discreti) e a valori in virgola mobile (continui), con gestione automatica dei limiti di dominio.

Operazioni Genetiche Implementate

• Selezione: Include selezione a torneo, per rango e una versione modificata della "roulette wheel" che bilancia casualità e pressione selettiva.
• Crossover: Offre operatori per spazi discreti (one-point, two-point, uniform) e continui (Blend crossover BLX-$\alpha$, Simulated Binary Crossover - SBX).
• Mutazione: Include mutazione uniforme, shuffle (per problemi di permutazione) e mutazione gaussiana (ideale per affinare soluzioni in spazi continui).
• Elitismo: Preserva i migliori individui tra le generazioni per evitare la perdita di soluzioni ottimali.

Parallelizzazione

• OpenMP: La libreria sfrutta il parallelismo su memoria condivisa.
  • A livello di singola popolazione, parallelizza la valutazione della fitness e le operazioni su individui.
  • A livello di migrazione, parallelizza l'evoluzione di popolazioni indipendenti.
• Generatore di Numeri Casuali: Utilizza un'implementazione thread-safe dell'algoritmo Mersenne Twister per garantire riproducibilità e correttezza in esecuzione parallela.

Interfaccia Python

È disponibile un wrapper Python (pyevortran) che espone le routine di ottimizzazione principali, permettendo agli utenti di scrivere la funzione di fitness in Python mentre l'ottimizzazione avviene in Fortran, combinando facilità d'uso e velocità.

3. Contributi Chiave

1. Libreria Fortran Moderna: Colma il vuoto di librerie GA moderne, efficienti e facili da usare in Fortran, superando le limitazioni di librerie legacy come Pikaia.
2. Flessibilità e Modularità: Permette agli utenti di personalizzare ogni aspetto dell'algoritmo (strategie di selezione, crossover, mutazione) e di combinare diverse strategie in un'unica ottimizzazione.
3. Approccio a Migrazione: Implementa nativamente la migrazione tra popolazioni, una strategia essenziale per esplorare spazi di parametri complessi e trovare soluzioni multiple degenerate, evitando la convergenza prematura su un singolo minimo locale.
4. Validazione su Benchmark e Fisica Reale: Il codice non è stato testato solo su funzioni matematiche astratte, ma applicato a problemi fisici reali ad alta complessità.

4. Risultati e Applicazioni

Il documento valida evortran attraverso due categorie di test:

A. Benchmark Matematici

• Funzioni Multimodali: Test su Rastrigin, Michalewicz, Himmelblau e Drop-Wave.
  • evortran ha dimostrato di trovare il minimo globale con alta precisione in dimensioni fino a 20-100.
  • Confronto con la libreria Pikaia: evortran ha mostrato prestazioni competitive o superiori, specialmente nella capacità di trovare minimi globali in spazi complessi (es. funzione Drop-Wave fino a 7 dimensioni).
  • Scalabilità: I test di parallelizzazione (OpenMP) mostrano un'accelerazione significativa (fino a 300x in alcuni casi reali) riducendo i tempi di wall-time.

B. Applicazioni Fisiche

1. Fitting del Settore di Higgs Esteso (LHC):

   • Problema: Scansione dello spazio dei parametri del modello S2HDM (Singlet-extended Two-Higgs-Doublet Model) con 11-14 parametri liberi.
   • Vincoli: Dati di sezione d'urto del bosone di Higgs a 125 GeV, limiti di esclusione LHC per nuovi bosoni, stabilità del vuoto e unitarietà perturbativa.
   • Risultato: evortran ha identificato con successo regioni dello spazio dei parametri compatibili con i dati, inclusi scenari con accoppiamenti "wrong-sign" (segnali opposti per quark top e bottom) che sarebbero stati difficili da trovare con metodi locali. Ha dimostrato la capacità di mappare regioni di parametri fisicamente ammissibili complesse.

2. Ricostruzione dello Spettro di Onde Gravitazionali (LISA):

   • Problema: Ricostruzione dei parametri di una transizione di fase cosmologica (primordiale) a partire da dati mock del futuro osservatorio spaziale LISA, inclusi rumore strumentale e segnali di fondo.
   • Metodo: Minimizzazione di una funzione $\chi^2$ per stimare parametri come la forza della transizione ($\alpha$), la durata ($\beta/H$), la temperatura ($T_*$) e la velocità delle pareti delle bolle ($v_w$).
   • Risultato:
     • Ha rivelato degenerazioni forti tra i parametri (diverse combinazioni producono segnali simili), un aspetto critico per l'interpretazione dei futuri dati LISA.
     • Ha mostrato come vincoli aggiuntivi (es. fissare $v_w$ o $g_*$) possano migliorare la precisione della ricostruzione.
     • Ha evidenziato l'importanza della scelta del prior (distribuzione iniziale) nell'inferenza GA: un prior logaritmico su parametri che variano su ordini di grandezza (come $\alpha$) ha prodotto risultati più robusti e privi di bias rispetto a un prior lineare.
     • Confronto con metodi Bayesiani (PolyChordLite, MCMC): I risultati di evortran hanno confermato le regioni di credibilità Bayesiane, dimostrando che i GA sono efficaci nell'esplorare globalmente lo spazio dei parametri dove i metodi locali potrebbero fallire.

5. Significato e Conclusioni

Il lavoro su evortran rappresenta un passo avanti significativo per l'ottimizzazione computazionale nella fisica teorica e sperimentale.

• Efficienza: Sfrutta la velocità del Fortran per gestire calcoli intensivi, rendendo fattibili scansioni di parametri che richiederebbero tempi proibitivi con interpreti Python puri.
• Versatilità: La capacità di gestire funzioni di fitness non differenziabili, rumorose e con vincoli "hard" lo rende ideale per l'analisi dati reale.
• Scoperta di Soluzioni Multiple: L'approccio basato sulla migrazione di popolazioni è particolarmente prezioso per la fisica BSM, dove l'obiettivo è spesso mappare l'intero spazio delle soluzioni valide piuttosto che trovare un unico punto ottimo.
• Accessibilità: La disponibilità di wrapper Python e la gestione tramite fpm abbassano la barriera all'ingresso, permettendo a ricercatori di integrare facilmente algoritmi evolutivi avanzati nei loro flussi di lavoro.

In sintesi, evortran si posiziona come uno strumento robusto e moderno per affrontare le sfide di ottimizzazione globale nelle scienze fisiche, combinando prestazioni elevate, flessibilità algoritmica e facilità d'uso.