HS3: A Descriptive, Interoperable Serialization Standard for Statistical Models in High-Energy Physics

Dit artikel introduceert HS3, een nieuwe implementatie-onafhankelijke, menselijk leesbare en uitbreidbare serialisatiestandaard die is ontworpen om een universeel, FAIR-conform formaat te bieden voor het representeren en uitwisselen van statistische modellen in de hoge-energiefysica, waardoor de beperkingen van bestaande softwarespecifieke formaten worden overwonnen.

De kern

Stel je voor dat hogere energie-fysica (de studie van minuscule deeltjes zoals die bij de Large Hadron Collider) lijkt op een enorme, wereldwijde kookwedstrijd. Decennialang hebben de chefs (wetenschappers) ongelooflijke recepten (statistische modellen) gecreëerd om te verklaren hoe het universum werkt. Echter, er was een groot probleem: elke chef schreef zijn recept in een andere, geheime taal.

Sommigen schreven in "ROOT", een complexe code die alleen specifieke computers kon lezen. Anderen schreven in "pyhf", een simpeler formaat dat gemakkelijk voor mensen te lezen was, maar niet elk type gerecht kon verwerken. Als je twee recepten wilde combineren om een grotere maaltijd te maken, of als je een recept van 10 jaar geleden wilde lezen op een nieuwe computer, was dat vaak onmogelijk. De recepten waren als handgeschreven aantekeningen op servetten die onbruikbaar werden als de inkt vervaagde of het papier nat werd.

Ontmoet HS3: Het Universele Kookboek

Dit artikel introduceert HS3 (High-Energy Physics Statistics Serialization Standard). Zie HS3 als een nieuwe, universele taal voor recepten die al deze problemen oplost.

Zo werkt het, met behulp van eenvoudige analogieën:

1. De "Beschrijvende" Taal (Het Menu, Niet de Chef)

Voorheen waren sommige receptenformaten alsof je een robot een lijst met strikte, stapsgewijze instructies gaf (bijv. "Draai links, en roer dan 3 seconden"). Als de robot kapotging, was het recept waardeloos.
HS3 is anders. Het is beschrijvend. Het vertelt de computer niet hoe er gekookt moet worden; het beschrijft alleen wat het gerecht is. Het zegt: "Dit is een Gaussische soep," of "Dit is een Poisson-stoofpot."

• De Analogie: Stel je een menu voor dat ingrediënten en smaken opsomt, maar het maakt niet uit of je het in een Franse keuken, een Japanse keuken of in een magnetron bereidt. Omdat het alleen het gerecht beschrijft, kan elke chef (elk computerprogramma) het lezen en op zijn eigen manier bereiden.

2. De "LEGO" Structuur (Bouwstenen)

Het artikel legt uit dat HS3 modellen bouwt als een computationele graaf, wat gewoon een chique manier is om te zeggen: "een kaart van LEGO-blokjes."

• Je hebt blokjes voor ingrediënten (data).
• Je hebt blokjes voor regels (functies).
• Je hebt blokjes voor het uiteindelijke gerecht (likelihood).
• De Magie: Je kunt deze blokjes op een duidelijke, logische manier aan elkaar klikken. Als je één ingrediënt wilt veranderen, vervang je gewoon dat ene blokje. Je hoeft niet de hele toren opnieuw te bouwen. Dit maakt het gemakkelijk om te zien hoe het hele model in elkaar zit, zelfs als het een gigantische, complexe structuur is.

3. De "Tijdreismogelijkheid" (Langetermijnbehoud)

Een van de grootste zorgen in de wetenschap is: "Zullen we onze data over 50 jaar nog steeds kunnen lezen?"

• De oude manier: Als je een bestand opslaat in een specifieke versie van een programma, en dat programma verdwijnt over 10 jaar, dan is je bestand een "digitaal fossiel": onleesbaar.
• De HS3-manier: Omdat HS3 is geschreven in een eenvoudig, menselijk leesbaar formaat (zoals JSON, wat eruitziet als gewone tekst), is het niet afhankelijk van specifieke software. Zelfs als alle huidige computers kapotgaan, zou een mens theoretisch het HS3-bestand kunnen lezen en het recept kunnen begrijpen. Het is alsof je een recept in het Engels schrijft in plaats van in een geheime code; het overleeft de dood van de instrumenten die gebruikt zijn om het te schrijven.

4. De "Vertaler" (Interoperabiliteit)

Het artikel laat zien dat HS3 fungeert als een universele vertaler.

• Het kan een recept nemen dat in de oude "ROOT"-taal is geschreven en dit vertalen naar HS3.
• Het kan een recept van "pyhf" nemen en dit vertalen naar HS3.
• Het kan zelfs weer terug vertalen.
• Het Resultaat: Een wetenschapper die een Python-computer gebruikt, kan nu een model delen met een wetenschapper die een C++-computer gebruikt, en ze kunnen elkaar perfect begrijpen. Ze kunnen zelfs controleren of ze dezelfde resultaten krijgen, zoals twee chefs die dezelfde soep proeven om te controleren of het recept consistent is.

5. Waarom dit Nu Belangrijk Is

Het artikel betoogt dat de natuurkunde verschuift van alleen het "vinden van nieuwe deeltjes" naar het "meten ervan met extreme precisie." Dit vereist het combineren van veel verschillende experimenten en modellen.

• Het Probleem: Je kunt recepten niet combineren als ze in verschillende talen zijn geschreven.
• De Oplossing: HS3 stelt wetenschappers in staat om deze modellen gemakkelijk te combineren, ze te controleren op fouten en ze te publiceren zodat iedereen (zelfs mensen buiten het oorspronkelijke team) ze kan gebruiken om nieuwe theorieën te testen.

Samenvatting

Kortom, HS3 is een nieuwe standaard voor het opschrijven van de "wiskundige recepten" van de deeltjesfysica. Het is:

• Menselijk leesbaar: Je kunt het met je ogen lezen, niet alleen met een machine.
• Universeel: Het werkt over verschillende computertalen en software heen.
• Toekomstbestendig: Het zorgt ervoor dat de wetenschappelijke ontdekkingen van vandaag begrepen en hergebruikt kunnen worden door toekomstige generaties, ongeacht de technologie die zij gebruiken.

Het artikel beweert dat deze standaard al wordt gebruikt om data te publiceren, resultaten tussen verschillende computerprogramma's te controleren en zelfs om studenten over statistiek te onderwijzen. Het is de eerste stap naar het echt open en toegankelijk maken van de "bibliotheek van de fysica" voor iedereen.

Technische samenvatting

Technische Samenvatting: HS3 – Een Beschrijvende, Interoperabele Serialisatiestandaard voor Statistische Modellen in Hoge-Energiefysica

Probleemstelling
Statistische modellen in de hoge-energiefysica (HEP) zijn de primaire wetenschappelijke artefacten die de relatie tussen geobserveerde data, fysieke parameters en onzekerheden coderen. Hoewel likelihood-gebaseerde inferentie centraal staat bij precisie-metingen, Effective Field Theory (EFT) fits en cross-analyse combinaties, is het huidige ecosysteem voor het representeren van deze modellen gefragmenteerd. Bestaande formaten, zoals ROOT workspaces, pyhf JSON-bestanden en CMS DataCards, zijn gekoppeld aan specifieke softwarestacks (bijv. C++/ROOT, Python). Dit creëert significante barrières voor interoperabiliteit, validatie en langetermijnbehoud. ROOT workspaces zijn binair en versieafhankelijk; pyhf JSON is menselijk leesbaar maar beperkt in reikwijdte vergeleken met RooFit; en CMS DataCards vertrouwen op specifieke C++ implementaties. Bijgevolg is het converteren tussen formaten fragiel, is cross-framework validatie moeilijk, en wordt de langetermijn bruikbaarheid van modellen bedreigd door software-obsolescentie.

Methodologie en Ontwerpprincipes
De auteurs introduceren HS3 (High-Energy Physics Statistics Serialization Standard), een implementatie-agnostisch, menselijk leesbaar en uitbreidbaar serialisatieformaat. Het ontwerp wordt geleid door verschillende kernprincipes:

• Descriptieve Domeinspecifieke Taal (DSL): HS3 is een declaratieve specificatie van wiskundige structuren (distributies, functies, parameters, datasets) in plaats van een codering van executielogica. Het scheidt wiskundige semantiek van algoritmische implementatie, waardoor verschillende inference engines dezelfde modellen kunnen interpreteren.
• Computationele Graafrepresentatie: Modellen worden gerepresenteerd als gerichte acyclische grafen (DAGs) waarbij knopen genamde distributies, functies of data zijn, en randen afhankelijkheden vertegenwoordigen. De standaard ondersteunt een hybride granulariteit, waarbij zowel hoogwaardige samengestelde knopen (bijv. histfactory_dist voor template-gebaseerde modellen) als laagwaardige elementaire operaties mogelijk zijn. Dit behoudt de semantische structuur terwijl backend-optimalisaties worden mogelijk gemaakt.
• Interoperabiliteit en Volledigheid: HS3 is ontworpen om semantisch volledig te zijn ten opzichte van RooFit (het meest expressieve huidige framework), terwijl de leesbaarheid van pyhf JSON behouden blijft. Het beoogt zowel gebinde (binned) als ongebinde (unbinned) likelihoods, hiërarchische samengestelde modellen en uitgebreide distributies te ondersteunen.
• Menselijke en Machine Leesbaarheid: Het canonieke formaat is JSON, gekozen vanwege de volwassen tooling en expliciete structuur. Alle objecten zijn uniek benoemd om eenduidige referenties te garanderen, wat versiebeheer en incrementele modificatie vergemakkelijkt.
• FAIR-principes: De standaard sluit aan bij de Findable, Accessible, Interoperable, en Reusable principes, door gebruik te maken van persistente identificatoren en open formaten om te waarborgen dat modellen bruikbaar blijven naarmate softwareomgevingen evolueren.

Structuur van de Standaard
Een HS3-document is georganiseerd in top-level secties die geïndexeerde objecten bevatten:

• Distributies: Fundamentele (bijv. Gaussisch, Poisson) en samengestelde distributies.
• Functies: Deterministische wiskundige transformaties (elementair of gebruikersgedefinieerd).
• Data: Geobserveerde of gesimuleerde datasets (gebinned of unbinned).
• Likelihoods: Objecten die distributies en datasets combineren.
• Domeinen: Definities van parameterrange, types (continu/discreet) en restricties.
• Parameterpunten: Genamde verzamelingen van waarden voor benchmarks of startpunten.
• Analyses: Hoogwaardige voorschriften die parameters of interest (POI's), nuisance parameters en teststatistieken definiëren.
• Metadata: Provenance, versiebeheer en auteursinformatie.
• Misc: Niet-normatieve hints voor visualisatie of configuratie.

Kernbijdragen en Implementaties
Het artikel beschrijft de ontwikkeling van HS3 en de integratie ervan met bestaande frameworks:

1. ROOT/RooFit Integratie: Een ingebouwde bibliotheek in ROOT 6.36 maakt bidirectionele conversie mogelijk tussen RooWorkspace-objecten en HS3 JSON, waarbij namen, parameters en normalisatie behouden blijven. Dit dient als de referentie-implementatie.
2. CMS Combine en DataCards: DataCards kunnen worden geparsed naar RooWorkspaces en vervolgens worden geëxporteerd naar HS3. De modulaire aard van HS3 maakt toekomstige inclusie van aangepaste CMS-specifieke modelleringsconstructen mogelijk.
3. pyhf Compatibiliteit: pyhf JSON-modellen kunnen naar HS3 worden vertaald door kanalen te promoveren naar histfactory_dist knopen. Omgekeerd kunnen eenvoudige HS3-modellen worden teruggeconverteerd naar pyhf JSON.
4. Cross-Language Implementaties:
   • pyhs3: Een pure Python-package die parsers, validators en tools biedt voor het construeren van HS3-modellen, wat consistentie met ROOT waarborgt.
   • HS3.jl: Een Julia-implementatie die high-performance parsing en native datastructuren biedt, wat integratie met JuliaHEP-tools en gradiënt-gebaseerde inferentie faciliteert.

Resultaten en Vroege Toepassingen
Het artikel presenteert vroege validatie en toepassing van de standaard:

• Cross-Validatie: Figuur 1 toont een goede overeenkomst tussen de profile likelihood curves gegenereerd door de C++ ROOT-implementatie en de Python pyhs3 implementatie voor een ATLAS V H-meting, wat de numerieke consistentie over frameworks heen valideert.
• HEPData Integratie: HEPData ondersteunt nu HS3 via een "badge"-systeem. Verschillende ATLAS-analyses (Higgs-metingen, nieuwe fysica zoektochten, SM-analyses) zijn gepubliceerd met HS3-gebaseerde likelihoods, waardoor externe gebruikers modellen kunnen reconstrueren zonder specifieke softwarestacks.
• Gecombineerde Analyses: Proof-of-concept studies tonen aan dat meerdere publieke likelihoods gecombineerd kunnen worden in een enkel model zonder handmatige herschrijving, gebruikmakend van de expliciete codering van parameternamen en restricties in HS3.
• DEMOS Project: HS3 is geselecteerd als het referentieformaat voor het DEMOS-project, dat tot doel heeft statistische modellering te verenigen over de deeltjesfysica, astropartikel fysica en nucleaire fysica.
• Educatie: De menselijk leesbare aard van HS3 maakt het geschikt voor het onderwijzen van statistische inferentie, en dient als een brug tussen conceptueel materiaal en volledige wetenschappelijke analyses.

Betekenis en Claims
De auteurs stellen dat HS3 een fundament legt voor FAIR, langdurige statistische modellen bij de LHC en daarna. Door de definitie van modellen los te koppelen van specifieke inference engines en programmeertalen, adresseert HS3 de kritieke behoefte aan reproduceerbaarheid, herinterpretatie en langetermijnbehoud in een tijdperk dat gedomineerd wordt door systematische onzekerheden en complexe globale fits. Het artikel claimt dat HS3 een stabiele, uitbreidbare en framework-onafhankelijke taal biedt die kan evolueren om aan de behoeften van de bredere wetenschappelijke gemeenschap te voldoen, en potentieel kan worden voor statistische modellen wat .root bestanden zijn voor datastorage: een duurzame, draagbare en universeel uitwisselbare representatie. De standaard wordt niet gepresenteerd als een definitieve, onveranderlijke oplossing, maar als een levend framework dat wordt beheerd door community-consensus en versiebeheer om backward compatibiliteit en continue verbetering te waarborgen.