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

Technische Samenvatting: Diffusiemodelbenadering voor smaakmodellen: Een case study voor het S′4 modulaire smaakmodel

Probleemstelling
Smaakmodellen, die de patronen van fermionmassa's en menging proberen te verklaren, vertrouwen vaak op smaksymmetrieën (zoals modulaire symmetrieën) die worden gebroken door de vacuümverwachtingswaarde (VEV) van een scalair veld (flavon). Hoewel symmetrieën de structuur beperken, hangt de kwantitatieve realisatie van realistische smaakstructuren af van vrije parameters binnen het model, waaronder het modulusveld $\tau$. Traditionele numerieke methoden, zoals Monte-Carlo-simulaties, staan voor aanzienlijke uitdagingen in deze context. De resultaten van deze optimalisaties zijn sterk gevoelig voor initiële parameterwaarden, waardoor het moeilijk is om het brede theoretische landschap efficiënt te verkennen en realistische smaakpatronen te identificeren, met name in gebieden waar analytische evaluatie moeilijk is (bijvoorbeeld kleine waarden van $\text{Im}[\tau]$).

Methodologie
De auteurs stellen een numeriek kader voor dat gebruikmaakt van conditionele diffusiemodellen, een klasse van generatieve kunstmatige intelligentie, om het inverse probleem in de smaakfysica op te lossen: het genereren van modelparameters ($G$) die specifieke experimentele observabelen ($L$) reproduceren.

1. Modelarchitectuur: De studie maakt gebruik van Denoising Diffusion Probabilistic Models (DDPM's) met Classifier-Free Guidance (CFG).

   • Voorwaartse proces: Ruis wordt progressief toegevoegd aan een set initiële modelparameters $G$ (vrije parameters zoals Yukawa-koppelingen en de modulus $\tau$) om een reeks ruisachtige datapunten $x_t$ te creëren.
   • Inverse proces: Een neurale netwerk wordt getraind om de op elke stap toegevoegde ruis te voorspellen, geconditioneerd op een label $L$ dat fysische observabelen vertegenwoordigt (quarkmassa's, CKM-matrixelementen en de Jarlskog-invariant). Door te beginnen met pure ruis en deze iteratief te verwijderen op basis van de geleerde ruisvoorspelling en de conditie $L$, genereert het model nieuwe sets parameters $G$.
   • Netwerkontwerp: Een volledig verbonden neurale netwerk met SELU-activeringsfuncties wordt gebruikt. De invoer bestaat uit de ruisachtige data $x_t$, de tijdstap $t$ en het conditionele label $L$. De uitvoer is de voorspelde ruis. Het netwerk wordt getraind om de Gemiddelde Kwadratische Fout (MSE) tussen de werkelijke en de voorspelde ruis te minimaliseren.
   • Transfer Learning: Om de nauwkeurigheid te verbeteren, wordt een twee-staps trainingsproces geïmplementeerd. Eerst wordt een "pre-netwerk" getraind op willekeurig gegenereerde data. Vervolgens wordt het netwerk "fine-tuned" met behulp van het subset van data dat door het pre-netwerk is gegenereerd en dat een voorlopige $\chi^2$-drempel heeft voldaan.

2. Case Study: De methode wordt toegepast op het $S'_4$ modulaire smaakmodel met focus op het quarksectoren.

   • Invoer ($G$): 10 parameters, waaronder verhoudingen van Yukawa-koppelingscoëfficiënten ($\alpha, \beta$) en de reële en imaginaire delen van de modulus $\tau$.
   • Uitvoer/Label ($L$): 16 componenten die logaritmische massaverhoudingen ($m_u/m_t, m_c/m_t$, enz.), de absolute waarden van de CKM-matrixelementen en het teken/logaritme van de Jarlskog-invariant vertegenwoordigen.
   • Beperkingen: Het model neemt reële coëfficiënten aan voor de Yukawa-koppelingen om te testen op spontane CP-schending die uitsluitend voortkomt uit de modulus $\tau$.

Belangrijkste Resultaten
De studie heeft succesvol de effectiviteit van het diffusiemodel aangetoond bij het vinden van fenomenologisch haalbare parametergebieden voor het $S'_4$-model:

• Efficiëntie en Nauwkeurigheid: Het diffusiemodel, met name na fine-tuning, verbeterde het succespercentage aanzienlijk bij het genereren van parameters die overeenkomen met experimentele data. Waar het pre-netwerk een succespercentage van ongeveer 2,59% opleverde voor $\chi^2 < 8.0 \times 10^4$, steeg dit voor het gefinetuned netwerk naar ongeveer 5,95% en werden 17 oplossingen geproduceerd met $\chi^2 < 200$ uit $9 \times 10^6$ gegenereerde steekproeven.
• Ontdekking van Nieuwe Parametergebieden: Het model identificeerde haalbare oplossingen waarbij het imaginaire deel van de modulus, $\text{Im}[\tau]$, geconcentreerd is rond 2,2. Dit gebied is kleiner dan de optimale waarden ($\text{Im}[\tau] \sim 2,8$) die in eerdere literatuur werden gevonden, wat de capaciteit van het model demonstreert om parameter ruimtes te verkennen die moeilijk toegankelijk zijn via traditionele optimalisatie vanwege gevoeligheid voor beginvoorwaarden.
• Spontane CP-schending: Een cruciale bevinding is de bevestiging van spontane CP-schending binnen het $S'_4$-model. Door alle Yukawa-koppelingscoëfficiënten als reële getallen te behandelen, slaagde het model erin de waargenomen Jarlskog-invariant ($J \approx 2,87 \times 10^{-5}$) uitsluitend te reproduceren via de complexe fase van de modulus $\tau$ (specifiek het reële deel, $\text{Re}[\tau]$). De mediaanwaarde van de gegenereerde Jarlskog-invariant was $2,49 \times 10^{-5}$, wat vergelijkbaar is met de experimentele waarde.
• Specifieke Oplossingen: De beste gevonden oplossing (laagste $\chi^2 = 74,4$) leverde specifieke waarden op voor de koppelingsverhoudingen en $\tau$ ($\text{Re}[\tau] = 0,2825, \text{Im}[\tau] = 2,2400$) die quarkmassa's en mengingshoeken binnen de experimentele $1\sigma$-bereiken reproduceerden.

Betekenis en Claims
Het artikel claimt dat de diffusiemodelbenadering een veelzijdig en efficiënt alternatief biedt voor traditionele optimalisatiemethoden bij de analyse van smaakmodellen. De primaire betekenis ligt in:

1. Vermogen tot Inverse Probleem: Het stelt een directe mapping mogelijk van experimentele data naar plausibele modelparameters, waarbij de noodzaak voor handmatige afstelling van beginwaarden wordt omzeild.
2. Modelonafhankelijkheid: Het kader is niet gebonden aan de specifieke details van een smaakmodel, wat suggereert dat het kan worden toegepast op andere modulaire smaakmodellen of kan worden uitgebreid naar het leptonsectoren met minimale architecturale wijzigingen (voornamelijk schaling van invoer/uitvoer-dimensies).
3. Verkenning van Uitdagende Gebieden: De methode kan "semi-realistische" parametergebieden blootleggen die analytisch of via standaard numerieke zoekopdrachten moeilijk te vangen zijn, zoals de specifieke $\text{Im}[\tau]$-waarden die in deze studie zijn geïdentificeerd.
4. Fysisch Inzicht: Het vermogen om oplossingen te genereren met reële coëfficiënten die toch CP-schending opleveren, onderstreept de bruikbaarheid van het model bij het testen van fundamentele aannames over de oorsprong van CP-schending in de smaakfysica.

De auteurs concluderen dat, hoewel de huidige studie zich richtte op het quarksectoren met een vastgesteld set van representaties en gewichten, het diffusiemodel dient als een krachtig analytisch hulpmiddel voor het extraheren van nieuwe fysische voorspellingen en in de toekomst kan worden gecombineerd met andere machinelearningtechnieken (zoals reinforcement learning) om de selectie van modelstructuren te automatiseren.