RelExt: A New Dark Matter Tool for the Exploration of Dark Matter Models

Resumo Técnico de RelExt: Uma Nova Ferramenta de Matéria Escura para a Exploração de Modelos de Matéria Escura

Enunciado do Problema
A natureza da Matéria Escura (ME) continua sendo uma das questões em aberto mais significativas na física de partículas contemporânea. Embora o Modelo Padrão (MP) seja estruturalmente completo, ele carece de um candidato viável de ME. Extensões teóricas frequentemente introduzem candidatos de ME estabilizados por simetrias discretas (ex: $Z_2$), mas verificar esses modelos requer o cálculo da densidade de relíquia térmica e garantir que ela corresponda às restrições observacionais. Ferramentas existentes como SuperIso Relic, DarkSUSY, MicrOMEGAs e MadDM calculam densidades de relíquia baseadas no mecanismo de freeze-out. No entanto, encontrar configurações de parâmetros dentro de espaços complexos Além do Modelo Padrão (BSM) que reproduzam a densidade de relíquia medida dentro das incertezas experimentais pode ser computacionalmente intensivo. Além disso, muitas ferramentas existentes são ou especializadas para modelos específicos (ex: Supersimetria) ou requerem a entrada manual de seções de choque médias termicamente, limitando sua flexibilidade para novos modelos arbitrários.

Metodologia
Os autores apresentam o RelExt, um programa em C++ projetado para calcular a densidade de relíquia térmica para extensões arbitrárias do MP que apresentam um candidato de ME estabilizado por uma simetria discreta $Z_2$. A metodologia integra vários componentes distintos:

1. Implementação do Modelo: Os usuários fornecem arquivos de modelo FeynRules. O RelExt utiliza os pacotes FeynArts e FeynCalc para gerar automaticamente amplitudes ao quadrado de nível de árvore para todos os processos de (co-)aniquilação $2 \to 2$ de ME. Essas amplitudes são tokenizadas para otimizar a computação e convertidas em código C++.
2. Cálculo de Amplitude e Largura: O código identifica automaticamente mediadores do canal $s$ e calcula suas larguras de decaimento totais. Para mediadores escalares e pseudoescalares, incorpora correções QCD de ordem superior e efeitos de decaimento fora da casca (ex: para bósons de calibre) seguindo a implementação do HDECAY. Para bósons de calibre e quarks top, as larguras são obtidas de arquivos de entrada ou calculadas em ordem líder. Para garantir a estabilidade numérica perto de ressonâncias, o código emprega a fórmula de Breit-Wigner para propagadores.
3. Seção de Choque Média Termicamente (TAC): O código calcula a TAC integrando as seções de choque sobre a energia do centro de massa e a temperatura. Utiliza métodos de integração adaptativa (Simpson's 3/8 e Gauss-Kronrod) e trata picos de ressonância separadamente. Canais fortemente suprimidos por fatores de Boltzmann são negligenciados com base em um limiar definido pelo usuário ($B_\epsilon$).
4. Solucionador da Equação de Boltzmann: A evolução do rendimento da ME é determinada resolvendo a equação de Boltzmann. O código oferece dois modos: uma aproximação rápida de freeze-out e uma solução numérica completa usando um método adaptativo Dormand-Prince.
5. Algoritmos de Busca de Parâmetros: Uma característica distinta do RelExt é a implementação de três algoritmos de busca eficientes para encontrar conjuntos de parâmetros que satisfaçam a restrição de densidade de relíquia:
   • Grade Monte Carlo (Monte Carlo Grid): Uma abordagem baseada em grade rastreando as "melhores células" (regiões de parâmetros mais próximas da densidade de relíquia alvo) para guiar a amostragem subsequente.
   • Busca de Parâmetro Único (Single-Parameter Search): Um método baseado em gradiente (usando bisseção ou descida de gradiente) para ajustar um único parâmetro para atingir a densidade de relíquia alvo.
   • Caminhada Aleatória (Random Walk): Um algoritmo de caminhada aleatória de múltiplos parâmetros que ajusta iterativamente os parâmetros para minimizar a diferença entre a densidade de relíquia calculada e a alvo.

Principais Contribuições

• Automação e Flexibilidade: O RelExt permite que os usuários implementem modelos BSM arbitrários com um único candidato de ME fornecendo apenas arquivos FeynRules. Ele gera automaticamente as amplitudes, larguras e o código C++ necessários, removendo a necessidade de derivação manual de elementos de matriz.
• Procedimentos de Varredura Eficientes: Ao contrário de muitas ferramentas existentes que focam no cálculo, o RelExt prioriza a busca por espaços de parâmetros viáveis. Seus algoritmos de varredura integrados são projetados para localizar eficientemente regiões onde o modelo reproduz a densidade de relíquia observada dentro de incertezas especificadas pelo usuário.
• Arquitetura Modular: O código foi projetado para ser facilmente vinculado a outras ferramentas da colaboração dos autores, como o ScannerS (para restrições teóricas e experimentais) e o BSPT (para história de fase e sinais de ondas gravitacionais), facilitando o teste abrangente de modelos.
• Modelos Pré-Implementados: A versão inicial inclui implementações testadas do Complex Singlet Extension (CxSM), o N2HDM (Dark Doublet Phase), o CP in the Dark model (CPVDM), o Two-Real-Singlet Model (TRSM) e o BDM5.

Resultos e Validação
Os autores validaram o RelExt comparando seus cálculos de densidade de relíquia com o MicrOMEGAs para vários pontos de parâmetros aleatórios e varreduras dedicadas nos modelos pré-implementados.

• Concordância: Para o modelo de singlete real e o CPVDM, o RelExt e o MicrOMEGAs mostram uma concordância muito boa, com diferenças relativas geralmente abaixo de 2%.
• Discrepâncias: Maiores desvios (até ~9%) foram observados em cenários específicos, particularmente perto de ressonâncias de canal $s$ envolvendo mediadores com grandes larguras totais (ex: no N2HDM dark doublet phase). Os autores atribuem isso a diferentes implementações de larguras totais nos propagadores: o RelExt aplica a largura em todo o intervalo de integração, enquanto o MicrOMEGAs a restringe a uma área finita ao redor da ressonância.
• Desempenho: No exemplo do CPVDM, a combinação do rastreamento de "melhores células" e o algoritmo de caminhada aleatória (Método 3) demonstrou eficiência significativamente maior do que a simples varredura aleatória, produzindo cerca de 100 vezes mais pontos viáveis dentro da faixa de $2\sigma$ da densidade de relíquia observada no mesmo tempo computacional.

Significância
O artigo afirma que o RelExt fornece uma ferramenta poderosa e flexível para restringir modelos de ME. Ao automatizar a geração de amplitudes e implementar algoritmos de busca eficientes, ele permite que pesquisadores explorem sistematicamente os espaços de parâmetros de modelos BSM arbitrários para identificar regiões consistentes com a densidade de relíquia medida. Essa capacidade é crucial para determinar as implicações fenomenológicas de tais modelos para experimentos atuais e futuros de colisores e detecção direta. Os autores observam que o código é extensível para correções de Próxima Ordem (NLO) e que futuras versões visam incluir ME de múltiplos componentes e mecanismos de freeze-in. A ferramenta está disponível publicamente via GitHub.