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

Dit artikel introduceert evortran, een modern Fortran-pakket voor genetische algoritmen dat wordt gebruikt voor complexe optimalisatieproblemen in de deeltjesfysica, zoals het aanpassen van Higgs-modellen aan LHC-data en het reconstrueren van gravitatiegolfsignalen van LISA.

De kern

🧬 evortran: De slimme zoektocht van de natuur in de computer

Stel je voor dat je op zoek bent naar de perfecte plek voor een picknick in een enorm, onbekend landschap. Je hebt geen kaart, en het terrein zit vol met kleine heuvels, diepe valleien en valse toppen. Als je gewoon een beetje rondloopt (zoals een simpele computerprogramma dat doet), loop je vast in een klein kuilje en denk je dat je de laagste plek hebt gevonden, terwijl er ergens anders een diepe afgrond ligt.

evortran is een nieuwe computer-tool die oplost hoe we dit probleem aanpakken. Het is een programma geschreven in de programmeertaal Fortran (een taal die wetenschappers al decennia gebruiken voor zware berekeningen), maar dan modern, snel en slim gemaakt.

Het werkt niet door "na te denken" of te rekenen zoals een wiskundige, maar door te doen alsof het evolutie is. Het gebruikt de principes van de natuur: selectie, kruising en mutatie.

🌳 Hoe werkt het? De "Overlevingsstrategie"

Het programma creëert een grote groep van "kandidaten" (laten we ze avonturiers noemen). Elke avonturier heeft een set instructies (genen) om een probleem op te lossen.

1. De Avonturiers (Populatie): In plaats van één persoon die probeert de weg te vinden, stuurt het programma duizenden avonturiers het landschap in. Sommigen lopen links, sommigen rechts.
2. De Test (Fitness): Iedere avonturier probeert een taak. Bijvoorbeeld: "Hoe goed past deze theorie bij de data van de Large Hadron Collider (LHC)?" of "Hoe goed past dit signaal bij de ruis van de LISA-gravitationele golven?". Degenen die het beste scoren, krijgen een "sterke" status.
3. Selectie (De beste kiezen): De zwakke avonturiers worden verwijderd. De sterke krijgen de kans om hun "genen" (hun slimme ideeën) door te geven.
4. Kruising (Het huwelijk): Twee sterke avonturiers "trouwen" en maken nieuwe kinderen. Deze kinderen krijgen een mix van de beste eigenschappen van hun ouders.
5. Mutatie (Het geluk): Soms gebeurt er een klein, willekeurig foutje (een mutatie). Dit klinkt raar, maar in de natuur is dit nodig! Het zorgt dat de avonturiers niet vastlopen in een klein kuilje, maar soms een heel nieuwe, verrassende route ontdekken.
6. De Elite (De kampioenen): De allerbeste avonturiers van de vorige ronde worden direct naar de volgende ronde gebracht, zodat de beste oplossing nooit verloren gaat.

Dit proces herhaalt zich duizenden keren. Na een tijdje hebben de avonturiers de perfecte oplossing gevonden, zelfs als het landschap heel complex is.

🚀 Wat is er nieuw aan evortran?

Vroeger waren dit soort programma's traag of lastig te gebruiken. evortran is als een modulair Lego-blokkenpakket voor wetenschappers:

• Snelheid: Het is gebouwd om razendsnel te zijn. Het kan gebruikmaken van alle processorkernen van je computer tegelijk (zoals een team van 40 mensen die tegelijk zoeken in plaats van één persoon).
• Flexibiliteit: Je kunt de regels zelf instellen. Wil je dat de avonturiers meer risico nemen? Of juist conservatiever zijn? Je kunt de "selectie", "kruising" en "mutatie" aanpassen als een kok die zijn eigen recept maakt.
• Twee manieren van werken:
  • De gewone manier: Eén grote groep avonturiers zoekt samen.
  • De "Migratie-methode": Dit is de echte kracht van evortran. Stel je voor dat je 10 kleine teams hebt die elk in een ander deel van het landschap zoeken. Af en toe wisselen ze de beste avonturiers uit. Zo voorkomen ze dat ze allemaal in dezelfde valkuil terechtkomen en vinden ze meerdere goede oplossingen tegelijk.

🔬 Waarvoor wordt het gebruikt? (De echte toepassing)

De auteurs van het paper laten zien hoe krachtig dit is met twee voorbeelden uit de echte wereld:

1. Deeltjesfysica (LHC):
   Stel je voor dat je een gigantisch puzzelstuk zoekt dat past in een enorm complex plaatje van hoe het universum werkt. Er zijn duizenden variabele stukjes (parameters). Met de data van de LHC (deeltjesversneller) proberen ze te vinden welke theorieën kloppen.

   • De analogie: Het is alsof je in een donkere kamer met duizenden schakelaars probeert het juiste licht te vinden dat een foto helder maakt. evortran schakelt razendsnel duizenden combinaties in en uit tot het perfecte beeld verschijnt.

2. Gravitationele golven (LISA):
   De LISA-missie gaat in de toekomst naar de ruimte om rimpelingen in de ruimtetijd te meten. Maar deze signalen zitten verstopt onder veel "ruis" (zoals statisch op de radio).

   • De analogie: Je probeert een zacht gefluister te horen in een drukke fabriekhal. evortran helpt het gefluister (het signaal van een botsing van sterren of een oer-bang) te filteren van de fabrieksruis, zodat we kunnen zien wat er precies is gebeurd in het vroege universum.

💡 Waarom is dit belangrijk?

Wetenschappers hebben vaak te maken met problemen waar geen simpele wiskundige formule voor bestaat. De weg naar de oplossing is hobbelig, vol met valse toppen en ruis.

evortran is als een slimme zoektocht die niet opgeeft. Het is snel, het werkt goed samen met andere programma's (zelfs in Python), en het kan de meest complexe problemen oplossen door simpelweg te "evoluëren" naar de beste oplossing.

Kortom: Het is een moderne, snelle en flexibele manier om de computer te laten doen alsof het de natuur is, zodat we de geheimen van het universum sneller kunnen ontrafelen.

Technische samenvatting

Probleemstelling

Optimalisatieproblemen in de natuurkunde (zoals het afstemmen van modellen op LHC-data of het reconstrueren van gravitatiegolfsignalen) zijn vaak complex, niet-lineair, discontinu en ruisgevoelig. Traditionele gradient-based methoden (zoals gradient descent) falen hier vaak omdat ze vastlopen in lokale minima of afhankelijk zijn van afgeleide informatie die niet beschikbaar is. Genetische algoritmen (GA's) zijn een krachtig alternatief dat de oplossing ruimte stochastisch verkent, maar ze vereisen vaak aanzienlijke rekenkracht en zijn niet altijd efficiënt geïmplementeerd in moderne, high-performance omgevingen. Bestaande bibliotheken in Python (zoals DEAP) kunnen te traag zijn voor zware berekeningen, terwijl C/C++-oplossingen soms minder gebruiksvriendelijk zijn. Er is behoefte aan een moderne, flexibele en snelle implementatie in Fortran die goed integreert met bestaande wetenschappelijke workflows.

Methodologie: De evortran Bibliotheek

Het paper introduceert evortran, een moderne Fortran-bibliotheek ontworpen voor high-performance genetische algoritmen en evolutionaire optimalisatie. De kernmethodologie omvat:

• Architectuur en Flexibiliteit: De bibliotheek is gebouwd als een fpm (Fortran Package Manager) pakket. Het biedt een multi-laag interface:
  1. Directe manipulatie van individuen (genen).
  2. Evolutie van volledige populaties.
  3. Parallelle evolutie van meerdere populaties met migratie tussen hen in.
• Data Types: Ondersteuning voor zowel gehele getallen (integer) als zwevende komma-getallen (float) als genen, met aanpasbare grenzen en initialisatie.
• Evolutionaire Operatoren: Een uitgebreide verzameling van strategieën die door de gebruiker kunnen worden geselecteerd en aangepast:
  • Selectie: Tournament, Rank en Roulette Wheel (met een aangepaste, efficiënte variant).
  • Crossover: One-point, two-point, uniform, Blend (BLX-α) en Simulated Binary Crossover (SBX).
  • Mutatie: Uniform, Shuffle en Gaussian mutatie.
  • Elitisme: Behoud van de beste individuen om convergentie te garanderen.
• Parallelisatie: evortran maakt gebruik van OpenMP voor gedeeld geheugen parallelisatie. Dit kan op twee niveaus:
  • Binnen een populatie (parallelle evaluatie van fitness-functies).
  • Tussen populaties (bij gebruik van de evolve_migration functie), wat ideaal is voor het vinden van meerdere lokale minima.
• Integratie: De bibliotheek is volledig compatibel met Python via een C-binding wrapper (pyevortran), waardoor gebruikers de snelheid van Fortran kunnen combineren met Python-workflows.

Belangrijkste Bijdragen

1. Moderne Fortran Implementatie: Een object-georiënteerde, modulaire en efficient GA-bibliotheek die specifiek is ontworpen voor de eisen van de hedendaagse wetenschappelijke computing.
2. Migratie-gebaseerde Evolutie: Een unieke functie (evolve_migration) die het mogelijk maakt om meerdere populaties onafhankelijk te laten evolueren met periodieke uitwisseling van individuen. Dit is cruciaal voor het vinden van meerdere, diverse oplossingen in complexe parameter ruimtes (bijv. meerdere lokale minima).
3. Performance en Schaalbaarheid: Demonstratie van significante snelheidswinst door OpenMP parallelisatie, met name bij rekenintensieve fitness-functies.
4. Toepassing in Hoge-Energie Fysica en Kosmologie: Het paper valideert de bibliotheek niet alleen op wiskundige benchmarks, maar ook op realistische fysica-problemen:
   • Het afstemmen van een uitgebreid Higgs-sectormodel (S2HDM) op LHC-data.
   • Het reconstrueren van gravitatiegolf-spectra uit LISA-simulatie-data.

Resultaten

De prestaties van evortran werden getest op verschillende niveaus:

• Benchmark Functies:

  • Op de Rastrigin-functie (multimodaal) kon de bibliotheek het globale minimum vinden voor dimensies tot 20. Parallelisatie met OpenMP toonde een snelheidswinst van meer dan 300x bij 40 threads voor zwaardere taken.
  • Op de Michalewicz-functie leverde evortran resultaten die vergelijkbaar of beter waren dan de bestaande Fortran-bibliotheek Pikaia, zelfs bij hoge dimensies.
  • Voor de Himmelblau-functie (met vier gelijke globale minima) slaagde de migratie-strategie erin om alle vier de minima in één run te vinden door gebruik te maken van meerdere onafhankelijke populaties.
  • Bij de Drop-Wave-functie (zeer lastig door lokale minima) overtrof evortran Pikaia bij hogere dimensies (n > 4), waarbij het succesvol het globale minimum vond terwijl Pikaia vastliep.

• Fysica-toepassingen:

  • LHC Data Fitting: In het S2HDM-model (met 11 tot 14 vrije parameters) slaagde evortran erin om parameter ruimtes te scannen die consistent zijn met LHC-data en theoretische constraints. Het identificeerde niet alleen de beste fit, maar ook unieke regio's (zoals een "wrong-sign Yukawa coupling" regime) die door lokale methoden gemist zouden kunnen worden.
  • LISA Signaal Reconstructie: Bij het reconstrueren van gravitatiegolfsignalen uit ruisige LISA-data toonde evortran aan dat het effectief kan omgaan met degeneraties in parameter ruimtes. Het paper illustreerde hoe de keuze van prior-verdelingen (lineair vs. logaritmisch) de resultaten beïnvloedt en hoe evortran kan worden gecombineerd met Bayesiaanse methoden (zoals PolyChordLite) om een completer beeld te krijgen van de parameter onzekerheid.

Betekenis en Conclusie

evortran vult een belangrijke leemte in het Fortran-ecosysteem door een krachtig, modern en gebruiksvriendelijk GA-framework te bieden dat de snelheid van lage-niveau programmeertalen combineert met flexibiliteit. De bibliotheek is bijzonder waardevol voor wetenschappers die te maken hebben met:

• Niet-differentieerbare of ruisige optimalisatieproblemen.
• Het zoeken naar meerdere oplossingen in complexe landschappen.
• Rekenintensieve simulaties waar Python-bibliotheken te traag zijn.

De succesvolle toepassing op LHC-data en LISA-simulaties bewijst dat evortran klaar is voor gebruik in state-of-the-art wetenschappelijk onderzoek. De beschikbaarheid van Python-bindings zorgt bovendien voor een lage drempel voor adoptie in bestaande workflows. Het paper concludeert dat evortran een waardevol hulpmiddel is voor globale zoekstrategieën in natuurkunde, techniek en daarbuiten.