Diffusion-model approach to flavor models: A case study for $S_4^\prime$ modular flavor model

技術的概要：フレーバーモデルへの拡散モデルアプローチ：$S'_4$ モジュラーフレーバーモデルの事例研究

問題定義
フェルミオンの質量と混合のパターンを説明することを目的とするフレーバーモデルは、しばしばスカラー場（フレーボン）の真空期待値（VEV）によって破られるフレーバー対称性（モジュラー対称性など）に依存している。対称性が構造を制約する一方で、現実的なフレーバー構造の定量的実現は、モデル内の自由パラメータ、特にモジュラス場 $\tau$ に依存する。従来の数値的手法（モンテカルロシミュレーションなど）は、この文脈において重大な課題に直面している。これらの最適化の結果は初期パラメータ値に極めて敏感であり、広範な理論的ランドスケープを効率的に探索し、現実的なフレーバーパターンを特定することが困難である。特に、解析的評価が困難な領域（例えば、$\text{Im}[\tau]$ の小さな値）において顕著である。

手法
著者らは、条件付き拡散モデル（生成人工知能の一種）を利用した数値フレームワークを提案し、フレーバー物理学における逆問題を解決する。すなわち、特定の実験的観測量（$L$）を再現するモデルパラメータ（$G$）を生成するものである。

1. モデルアーキテクチャ: 本研究では、クラスターフリーガイダンス（CFG）を備えたデノイジング拡散確率モデル（DDPM）を採用している。

   • 順過程: ユークワヤ結合やモジュラス $\tau$ などの自由パラメータである初期モデルパラメータ集合 $G$ にノイズを段階的に付加し、一連のノイズを含むデータ点 $x_t$ を作成する。
   • 逆過程: ニューラルネットワークを訓練し、各ステップで付加されたノイズを、クォーク質量、CKM 行列要素、およびヤルコフスキー不変量といった物理的観測量を表すラベル $L$ に条件付けて予測する。純粋なノイズから開始し、学習されたノイズ予測と条件 $L$ に基づいて反復的にノイズを除去することで、モデルは新しいパラメータ集合 $G$ を生成する。
   • ネットワーク設計: SELU 活性化関数を持つ全結合ニューラルネットワークを使用する。入力には、ノイズを含むデータ $x_t$、時間ステップ $t$、および条件ラベル $L$ が含まれる。出力は予測されたノイズである。ネットワークは、実際のノイズと予測ノイズ間の平均二乗誤差（MSE）を最小化するように訓練される。
   • 転移学習: 精度を向上させるため、2 段階の訓練プロセスを実装する。まず、「プレネットワーク」をランダムに生成されたデータで訓練する。次に、そのプレネットワークによって生成され、予備的な $\chi^2$ 閾値を満たしたデータ部分集合を用いて、ネットワークを「微調整（ファインチューニング）」する。

2. 事例研究: この手法を、クォークセクターに焦点を当てた $S'_4$ モジュラーフレーバーモデル に適用する。

   • 入力（$G$）: ユークワヤ結合係数の比（$\alpha, \beta$）およびモジュラス $\tau$ の実部と虚部を含む 10 個のパラメータ。
   • 出力/ラベル（$L$）: 質量比の対数（$m_u/m_t, m_c/m_t$ など）、CKM 行列要素の絶対値、およびヤルコフスキー不変量の符号/対数を表す 16 成分。
   • 制約: モデルは、モジュラス $\tau$ のみから生じる自発的 CP 対称性の破れをテストするため、ユークワヤ結合係数を実数と仮定する。

主要な結果
本研究は、$S'_4$ モデルに対して現象論的に妥当なパラメータ領域を見つける際の拡散モデルの有効性を成功裏に実証した。

• 効率性と精度: 特に微調整後の拡散モデルは、実験データと一致するパラメータを生成する成功率を著しく向上させた。プレネットワークは $\chi^2 < 8.0 \times 10^4$ に対して約 2.59% の成功率であったが、微調整されたネットワークはこれを約 5.95% に引き上げ、$9 \times 10^6$ 個の生成サンプルのうち $\chi^2 < 200$ となる 17 の解を生成した。
• 新たなパラメータ領域の発見: モデルは、モジュラスの虚部 $\text{Im}[\tau]$ が 2.2 付近に集中する妥当な解を特定した。この領域は、従来の文献で見出された最適値（$\text{Im}[\tau] \sim 2.8$）よりも小さい。これは、初期条件への敏感性により従来の最適化ではアクセスが困難なパラメータ空間をモデルが探索できることを示している。
• 自発的 CP 対称性の破れ: 重要な発見として、$S'_4$ モデル内での 自発的 CP 対称性の破れ の確認がある。すべてのユークワヤ結合係数を実数として扱うことで、モデルはモジュラス $\tau$ の複素位相（具体的にはその実部 $\text{Re}[\tau]$）のみを通じて、観測されたヤルコフスキー不変量（$J \approx 2.87 \times 10^{-5}$）を成功裏に再現した。生成されたヤルコフスキー不変量の中央値は $2.49 \times 10^{-5}$ であり、実験値と比較可能な値であった。
• 具体的な解: 見つかった最良の解（最低 $\chi^2 = 74.4$）は、結合比と $\tau$ の具体的な値（$\text{Re}[\tau] = 0.2825, \text{Im}[\tau] = 2.2400$）を提供し、クォーク質量と混合角を実験的な $1\sigma$ 範囲内で再現した。

意義と主張
本論文は、拡散モデルアプローチがフレーバーモデルの分析に対する従来の最適化手法に代わる、汎用性が高く効率的な代替手段であると主張している。その主な意義は以下の点にある。

1. 逆問題の能力: 実験データから妥当なモデルパラメータへの直接マッピングを可能にし、初期値の手動調整の必要性を回避する。
2. モデル非依存性: このフレームワークは特定のフレーバーモデルの詳細に縛られないため、最小限のアーキテクチャ変更（主に入力/出力次元のスケーリング）で他のモジュラーフレーバーモデルやレプトンセクターにも適用可能であることを示唆している。
3. 困難な領域の探索: この手法は、本研究で特定された特定の $\text{Im}[\tau]$ 値のように、解析的または標準的な数値探索では捉えにくい「半現実的」なパラメータ領域を明らかにできる。
4. 物理的洞察: 実数係数を持つ解を生成しながらも CP 対称性の破れをもたらす能力は、フレーバー物理学における CP 対称性の破れの起源に関する基本的な仮説をテストする上でのモデルの有用性を浮き彫りにする。

著者らは、現在の研究は固定された表現と重みを持つクォークセクターに焦点を当てたものであるが、拡散モデルは新しい物理的予測を抽出するための強力な分析ツールとして機能し、将来の研究においてモデル構造の選択を自動化するために強化学習などの他の機械学習技術と組み合わせることができると結論付けている。