Two Flavon Froggatt-Nielsen Models with Genetic Algorithms

技術要約：遺伝的アルゴリズムを用いた2つのフラボンによるフロガット＝ニールセン・モデル

問題提起
フェルミオンの質量階層性と混合角の起源は、素粒子物理学における中心的な未解決問題である。フロガット＝ニールセン（FN）機構は、$U(1)_{FN}$ フレーバー対称性とスカラー・フラボン場を導入することでこれに対処する。ここでは、階層性は、フレーバーの真空期待値（vev）とUVカットオフスケールの比のべき乗による高次元演算子の抑制から生じる。FNモデルは広く研究されているが、その高次元かつ離散・連続混合的な性質により、体系的な探索は計算量的に困難である。具体的には、測定されたクォークおよびレプトンの質量、CKMおよびPMNS混合角、ならびにCP対称性の破れの位相を同時に再現する標準模型場の整数電荷割り当てを見つけることは、非線形な組合せ最適化問題である。強化学習（RL）を用いた先行研究は、単一フラボンのシナリオに限定されており、制約が緩く、計算コストの高い学習フェーズを必要としていた。さらに、単一フラボン・モデルには自然なCP対称性の破れの源が存在しない。なぜなら、フラボンに起因する位相は通常、場の再定義によって除去可能だからである。

手法
本研究では、アップ型セクターとダウン型セクターにそれぞれ排他的に結合する、異なるフラボン場 $\Phi_u$ と $\Phi_d$ を持つ、2つのフラボンによるFNフレームワークの体系的なスキャンを提示する。著者らは、多目的最適化手法である非劣ソート・遺伝的アルゴリズム III (NSGA-III) を用いて、パラメータ空間を探索している。

• モデルの設定: ラグランジアンには、アップ型クォーク、ダウン型クォーク、荷電レプトン、およびニュートリノ（Type-I シーソー機構経由）のための個別のフラボン結合が含まれる。$\langle \Phi_u \rangle$ と $\langle \Phi_d \rangle$ の間の相対位相 $\alpha$ は物理的パラメータとして保持されており、これが単一フラボン・モデルには欠けている一般的なCP対称性の破れの源となる。
• 最適化戦略: 制約を単一のスカラー損失関数に集約するのではなく（これは局所解やスケールの問題を引き起こすリスクがある）、17個の異なる目的関数を持つ多目的問題として定式化している。これらには以下が含まれる：
  • CKMおよびPMNS混合角とCP位相（NuFitおよびPDGのデータに対し $3\sigma$ 以内）。
  • ニュートリノの質量二乗差（$3\sigma$ 以内）。
  • 荷電フェルミオン質量（中央値の20%以内）。
  • 非負のフラボン指数を強制する制約。
• アルゴリズムの実装: NSGA-IIIは、目的関数空間における参照方向を用いることで集団の多様性を維持し、すべての制約が同時に満たされるパレート最前線を探索することを可能にする。探索空間には、18個の離散的なFN電荷、45個の連続的なウィルソン係数（オーダー1に制約）、およびフラボンvevパラメータが含まれる。このアルゴリズムは別途の学習フェーズを必要とせず、実行直後から実行可能なモデルの探索を開始できる。
• スキャン・パラメータ: スキャンでは、「アップ・リーディング」（$|\epsilon_u| > |\epsilon_d|$）と「ダウン・リーディング」（$|\epsilon_d| > |\epsilon_u|$）の2つの領域を探索し、vevの大きさは、真のFN抑制ではなくデモクラティックなテクスチャにならないよう制限されている。

主な貢献と結果

1. 実行可能なモデルの発見: スキャンにより、10万個以上のユニークで現象論的に実行可能なモデルが特定された。独立した実行間での重複率が極めて低い（26個の重複）ことは、有効な2つのフラボンによるFN実現の空間がまだ使い果たされていないことを示している。
2. CP対称性の破れ: 2つのフラボンve間の相対位相が、自然かつ一般的なCP対称性の破れの源を提供することを実証している。これは、微調整なしでは単一フラボン・モデルでは不可能な特徴である。
3. ニュートリノ質量順序: 正規順序（NO）と反転順序（IO）の両方の解が実現された。
   • NOモデル: $(m_{\text{lightest}}, m_{ee})$ 平面において、現在のNuFitの境界と一貫して分布している。
   • IOモデル: 主に「ダウン・リーディング」シナリオで見られ、「アップ・リーディング」シナリオと比較して、より大きな有効ニュートリノ二重ベータ崩壊質量（$m_{ee}$）をもたらす。
4. 最小性: 最大のフラボン指数が3を超えない「最小限の」FN実現が特定されており、これは単純なUV完備が可能であることを示唆している。
5. 質量の再現: 専用の連続パラメータ最適化（例：$\chi^2$ 最小化）を行わずに、このフレームワークは相対偏差がわずか6%（専用スキャンでは一般に10%以下）の荷電フェルミオン質量を再現することに成功した。
6. 効率性: GAベースのアプローチは、数分以内にすべての制約を満たす数千の異なるモデルを見つけ出し、数時間の学習を必要とし、より少ないモデルしか見つけられなかった従来のRL手法を大幅に上回る性能を示した。

意義
本論文は、2つのフラボンによるFNモデルの最初かつ包括的な体系的スキャンを提供していると主張している。その意義は以下の通りである：

• 手法の進展: 多目的遺伝的アルゴリズムが、この特定のクラスのBSMモデル構築において、学習オーバーヘッドがなく、即座に実行可能性を示し、高次元の混合パラメータ空間をより良く扱うことができるため、強化学習よりも優れていることを示した。
• 物理的洞察: FNフレームワークを2つのフラボンへと拡張することが、CP対称性の破れの起源の問題を自然に解決し、フラボンのveの階層性に基づく $m_{ee}$ の異なる予測を含む、豊かな現象論的アウトカムを可能にすることを確立した。
• モデル空間の探索: 10万個以上の実行可能なモデルを見つけ、重複が少ないことは、2つのフラボンによるFNモデルの実行可能なパラメータ空間が広大であり、大部分が未探索であることを示唆しており、将来の精密なフィットに向けた堅牢な基礎を提供するものである。

著者らは、現在のスキャンでは広範な制約（例：20%の質量許容誤差）を用いているが、本フレームワークはより厳格な制約にも対応可能であり、今後の課題として、実験データとの精密な比較のための専用の $\chi^2$ フィットや繰り込み群流（RG running）を用いた後処理が挙げられるとしている。