TRSMScans

Technische Samenvatting van TRSMScans

Probleemstelling
Experimentele samenwerkingen bij de Large Hadron Collider (LHC) zoeken actief naar fysica buiten het Standaardmodel (BSM), met name naar uitgebreide scalair-sectoren. Hoewel veel zoektochten op een modelonafhankelijke wijze worden uitgevoerd—waarbij bovengrenzen worden vastgesteld voor productie-doorsneden vermenigvuldigd met vertakkingsratio's ($\sigma \times \text{BR}$)—is het vergelijken van deze resultaten met specifieke BSM-modellen essentieel voor het bepalen van de gevoeligheid en het beperken van parameterruimtes. Conventionele experimentele presentaties fixeren echter vaak alle parameters behalve twee, wat potentieel kritieke regio's in de parameterruimte kan missen waar de voorspelde snelheden maximaal zijn. Analytisch het vinden van de maximale snelheden in dergelijke hoogdimensionale ruimtes is onhaalbaar, en willekeurige of systematische bemonstering wordt computationeel prohibitief naarmals het aantal vrije parameters toeneemt, waarbij een toenemend aantal punten nodig is om met redelijke zekerheid tot een maximum te convergeren.

Methodologie
Om deze uitdaging aan te pakken, introduceren de auteurs TRSMScans, een nieuwe softwaretool die ontworpen is om automatisch maximale doorsnedeprognoses te berekenen voor scenario's van nieuwe fysica met aanvullende scalaire toestanden. De tool is gebouwd op Python en dient als een intelligente wrapper voor twee publiekelijk beschikbare codes: ScannerS en HiggsTools (die gebruikmaken van HiggsBounds en HiggsSignals).

De kernmethodologie bestaat uit een iteratief optimalisatiealgoritme, momenteel geïmplementeerd als een "zoom"-strategie:

1. Pre-scan: Een initiële willekeurige bemonstering van de volledige vrije parameterruimte wordt uitgevoerd om de topologie van toegestane regio's te schatten. Deze stap hangt alleen af van scalaire massa's en is onafhankelijk van specifieke productie-/vervalmodi.
2. Filtering: Gesamplede punten worden gevalideerd tegen theoretische beperkingen (ondergrenzen van de potentiaal, perturbativiteit, elektroschwakke precisie-observabelen) via ScannerS en tegen directe zoekbeperkingen via HiggsTools. Aanvullende filters sluiten punten uit waarbij de relatieve breedtes van scalairen de configureerbare limieten overschrijden (standaard 15%).
3. Optimalisatie: Op basis van de pre-scan splitst een kernel density estimation het parametervolume op in kleinere volumes die lokale "bulten" bevatten in de doelgrootheid ($x_b = \sigma \times \text{BR}$). Er worden aparte optimaliseerders gelanceerd voor elk volume.
4. Convergentie: Elke optimalisator bemonstert iteratief een afnemend volume met een toenemende puntendichtheid. Het proces maakt gebruik van parallelle verwerking (via de multiprocessing-bibliotheek van Python) om de efficiëntie te verbeteren.
5. Stopvoorwaarden: De optimalisatie eindigt wanneer lokale stopvoorwaarden (voldoende toename in lokaal maximum) of globale voorwaarden (vergelijkbaarheid met het hoogste gevonden globale maximum) zijn bereikt. Een adaptieve precisiestrategie kan ook worden toegepast, waarbij de striktheid wordt aangepast op basis van de ratio van het huidige maximum tot een doelexperimentele limiet.

Belangrijkste Bijdragen

• Automatisering van Maximale Snelheidsberekening: TRSMScans vindt efficiënt de maximale voorspelde snelheden voor specifieke collider-signaturen met minimale menselijke interventie, door over alle vrije parameters te scannen voor vaste massapunten.
• Modulaire Architectuur: Hoewel momenteel geoptimaliseerd voor het Two-Real-Singlet Model (TRSM), is de tool ontworpen om uitbreidbaar te zijn naar elk model dat door ScannerS en HiggsTools wordt ondersteund.
• Uitgebreide Workflow: Het pakket bevat scripts voor installatie, het draaien van optimalisaties (enkele massapunten of massalijsten), parallellisatie (inclusclusief HTCondor batch-ondersteuning) en het plotten van resultaten (evolutie van punten en combinatieplots).
• Integratie met Experimentele Data: De tool maakt directe vergelijking mogelijk van maximale theoretische snelheden met experimentele limieten (verwacht en geobserveerd) van LHC-samenwerkingen, wat de identificatie van uitgesloten parameterr regio's vergemakkelijkt.

Resultaten en Toepassingen
Het artikel demonstreert de prestaties van de tool met behulp van de TRSM, die twee extra reële scalairen introduceert in het potentiaal van het Standaardmodel. Het model heeft zeven vrije parameters (drie massa's, drie menghoeken en één vacuümverwachtingswaarde), gereduceerd tot vijf vrije parameters wanneer de scalaire massa's zijn vastgezet.

• Prestaties: Visualisaties (Figuren 1–3) tonen het "zoom"-optimalisatieproces dat convergeert naar lokale en globale maxima voor een specifiek massapunt ($m_X = 1000$ GeV, $m_S = 300$ GeV) in het $SH \to b\bar{b}\tau^+\tau^-$ kanaal. De plots illustreren hoe optimalisatoren zich concentreren rond maxima en iteratief de zoektocht verfijnen.
• Experimentele Vergelijking: De auteurs passen de tool toe op recente LHC-resultaten. Figuur 4 toont de maximale toegestane snelheden in het $m_X$-$m_S$ vlak vergeleken met CMS-zoeklimieten voor $SH \to b\bar{b}\tau^+\tau^-$. Figuur 5 presenteert een vergelijkbare vergelijking voor de ATLAS-zoektocht naar $SH \to b\bar{b}\gamma\gamma$. Deze plots identificeren regio's waar experimentele limieten onder de maximale theoretische snelheden vallen, wat wijst op sensitiviteit voor de TRSM.

Betekenis en Claims
De auteurs positioneren TRSMScans als een praktische oplossing voor de "fundamentele uitdaging" van het bemonsteren van $N$-dimensionale parameterruimtes om globale maxima te vinden. Door het proces te automatiseren en gebruik te maken van intelligente algoritmen in plaats van brute-force bemonstering, stelt de tool in staat tot een grondiger onderzoek van BSM-parameterruimtes dan traditionele fixed-parameter scans. Het artikel claimt dat hoewel de huidige versie is geoptimaliseerd voor de TRSM, de onderliggende structuur toestaat dat de tool wordt uitgebreid naar elk model dat beschikbaar is binnen het ScannerS-framework. De tool wordt gepresenteerd als een stap naar een efficiëntere interpretatie van LHC-data in de context van specifieke uitgebreide scalaire modellen, waarbij toekomstige ontwikkeling gepland is voor meer geavanceerde optimalisatiestrategieën en computationele verbeteringen.