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

O artigo apresenta o *evortran*, uma biblioteca moderna em Fortran para algoritmos genéticos de alto desempenho, demonstrando sua eficácia em aplicações de física, como o ajuste de dados do LHC e a reconstrução de sinais de ondas gravitacionais do LISA.

O essencial

Imagine que você precisa encontrar a melhor receita de bolo em um universo infinito de possibilidades. Você não sabe quais ingredientes funcionam bem juntos, e tentar uma receita por vez, ajustando apenas um detalhe de cada vez (como faria um chef tradicional), levaria uma eternidade e provavelmente você nunca chegaria ao sabor perfeito.

É aqui que entra o evortran, a estrela deste artigo.

O que é o evortran?

Pense no evortran como um "laboratório de evolução digital" escrito em uma linguagem de programação chamada Fortran (muito usada por cientistas e engenheiros). Ele é uma ferramenta que usa a lógica da evolução natural para resolver problemas matemáticos e físicos extremamente difíceis.

Em vez de tentar resolver tudo de uma vez com fórmulas complexas, o evortran cria uma "população" de milhares de soluções tentativas (como se fossem milhares de bolos diferentes sendo assados ao mesmo tempo).

Como funciona a "Evolução Digital"?

O evortran segue quatro passos simples, inspirados na natureza:

1. Seleção (O Julgamento): O programa testa todos os bolos. Aqueles que ficam mais parecidos com o "bolo perfeito" (têm a melhor pontuação) são escolhidos para se reproduzir. Os ruins são descartados.
2. Cruzamento (A Mistura): Os melhores bolos são misturados. Imagine pegar metade da receita do bolo de chocolate vencedor e metade da receita do bolo de morango vencedor para criar um novo "chocolate-morango".
3. Mutação (O Acaso): Às vezes, o programa faz uma pequena mudança aleatória na receita (talvez adicionar um pouco mais de canela ou menos açúcar). Isso é crucial para evitar que todos os bolos fiquem iguais e para descobrir sabores novos que ninguém imaginou.
4. Elitismo (O Guarda-Costas): O programa garante que o melhor bolo de cada rodada não seja esquecido. Ele é levado para a próxima geração intacto, para garantir que a qualidade nunca caia.

O evortran repete esse ciclo milhares de vezes. A cada geração, a população de "bolos" fica mais e mais saborosa, até encontrar a solução perfeita.

Por que isso é especial?

A maioria dos programas de computador tenta resolver problemas como se estivesse subindo uma montanha, olhando apenas para onde o chão sobe mais rápido. Se houver um vale escondido ou um pico falso, eles ficam presos lá.

O evortran é diferente. Ele é como um exército de exploradores espalhados por toda a montanha ao mesmo tempo. Eles não seguem apenas o caminho mais íngreme; eles exploram vales, picos e terrenos acidentados. Isso é perfeito para problemas onde:

• Não há uma fórmula clara para a solução.
• O terreno é cheio de "armadilhas" (soluções que parecem boas, mas não são as melhores).
• Os dados são "barulhentos" ou imperfeitos.

Onde o evortran está sendo usado?

O artigo mostra duas aplicações incríveis onde essa ferramenta brilha:

1. Caçando Novas Partículas no LHC (O Grande Colisor de Hádrons):
   Imagine que os físicos têm um quebra-cabeça gigante com 11 ou 14 peças faltando (parâmetros de um modelo teórico). Eles precisam encontrar a combinação exata que faça o modelo bater com os dados reais do colisor. O evortran varre bilhões de combinações possíveis e encontra as regiões onde a física faz sentido, ajudando a entender o universo além do que já conhecemos.

2. Escutando o Universo com a LISA (Uma Antena Espacial):
   Imagine tentar ouvir uma música muito fraca tocada por um violino, mas no meio de um show de rock muito barulhento. A LISA é uma futura antena espacial que vai "ouvir" ondas gravitacionais (vibrações do espaço-tempo). O evortran ajuda a separar o sinal fraco do "ruído" da máquina, reconstruindo a história de eventos cósmicos violentos (como colisões de buracos negros no início do universo) que aconteceram bilhões de anos atrás.

A "Magia" Técnica (Simplificada)

• Velocidade: O evortran é feito para ser rápido. Ele usa vários processadores do computador ao mesmo tempo (como ter 40 cozinheiros trabalhando de uma vez) para testar mais receitas em menos tempo.
• Flexibilidade: Você pode dizer ao evortran como quer que ele funcione. Quer que ele seja mais conservador? Ou mais arriscado? Ele se adapta.
• Fácil de Usar: Mesmo sendo uma ferramenta poderosa, o artigo mostra que é fácil de instalar e conectar com outras linguagens, como Python, que é muito popular entre cientistas de dados.

Em resumo

O evortran é como um super-herói da computação que usa a sabedoria da evolução natural para encontrar soluções em oceanos de possibilidades. Seja para entender a origem do universo, encontrar novas partículas ou otimizar sistemas complexos, ele é a ferramenta que permite aos cientistas explorar o desconhecido de forma inteligente, rápida e eficiente. É a evolução da inteligência artificial aplicada à ciência moderna.

Resumo técnico

Título: evortran: um pacote Fortran moderno para algoritmos genéticos com aplicações desde o ajuste de dados do LHC até a reconstrução de sinais de LISA

1. Problema e Motivação

A otimização em física de altas energias e cosmologia frequentemente envolve problemas complexos caracterizados por:

• Espaços de parâmetros de alta dimensão e não convexos.
• Funções de fitness não diferenciáveis, descontínuas ou ruidosas (devido a erros instrumentais ou limites teóricos rígidos).
• Múltiplos mínimos locais, onde métodos baseados em gradiente (como descida de gradiente) tendem a convergir prematuramente ou falhar.
• Custo computacional elevado na avaliação da função objetivo, exigindo implementações eficientes e paralelizáveis.

Embora existam bibliotecas de Algoritmos Genéticos (AG) em Python (ex: DEAP, PyGAD) e C/C++ (ex: CMAES, GAUL), muitas carecem de desempenho nativo de baixo nível ou de uma interface moderna e flexível no ecossistema Fortran, que é amplamente utilizado em simulações científicas de alto desempenho. O evortran foi desenvolvido para preencher essa lacuna, oferecendo uma alternativa moderna, performática e fácil de usar.

2. Metodologia e Arquitetura do Software

O evortran é uma biblioteca escrita em Fortran moderno (orientado a objetos), gerenciada pelo Fortran Package Manager (fpm). Sua arquitetura é projetada para flexibilidade, modularidade e eficiência.

• Níveis de Abstração:

  1. Operação direta em indivíduos: Permite controle fino sobre genes (inteiros ou floats) e funções de fitness.
  2. Operação em populações: Gerencia conjuntos de indivíduos com métodos de seleção, cruzamento, mutação e elitismo.
  3. Migração de populações: Evolui múltiplas populações independentemente, permitindo a migração periódica de indivíduos entre elas. Isso é crucial para manter a diversidade genética e encontrar múltiplas soluções viáveis em espaços de parâmetros complexos.

• Componentes Principais:

  • Tipos de Indivíduos: Suporte nativo para genes inteiros e de ponto flutuante (float), com limites definidos pelo usuário.
  • Operadores Genéticos: Implementação modular de:
    • Seleção: Torneio, Rank e Roda da Roleta (modificada para eficiência).
    • Cruzamento: One-point, Two-point, Uniforme, Blend (BLX-$\alpha$) e Simulated Binary Crossover (SBX).
    • Mutação: Uniforme, Shuffle e Gaussiana.
    • Elitismo: Preservação dos melhores indivíduos.
  • Paralelização: Utiliza OpenMP para paralelizar a avaliação de fitness e a evolução de populações. O gerador de números aleatórios (Mersenne Twister) é thread-safe para garantir reprodutibilidade em execução paralela.
  • Interface Python: O pacote pyevortran fornece bindings via C para permitir o uso das rotunas otimizadas de Fortran diretamente em fluxos de trabalho Python, superando o desempenho de implementações puras em Python.

3. Contribuições Chave

• Desempenho e Portabilidade: Combina a velocidade do Fortran com a facilidade de instalação do fpm.
• Flexibilidade de Uso: Permite que o usuário escolha entre controle granular (indivíduos) ou alto nível (evolução completa ou migração).
• Abordagem de Migração: Destaca-se pela capacidade de evoluir múltiplas populações em paralelo, facilitando a descoberta de múltiplas regiões viáveis no espaço de parâmetros, algo essencial para problemas físicos onde diferentes configurações teóricas podem ser igualmente válidas.
• Integração Híbrida: Facilita a conexão com códigos externos (ex: C++) e oferece uma interface Python acessível.

4. Resultados e Aplicações

O artigo valida o evortran através de benchmarks matemáticos e aplicações físicas reais:

• Benchmarks Matemáticos:

  • Funções Multimodais: Otimização bem-sucedida das funções Rastrigin, Michalewicz, Himmelblau e Drop-Wave.
  • Comparação: Em benchmarks como a função Drop-Wave, o evortran demonstrou capacidade de encontrar o mínimo global em dimensões mais altas (até $n=7$) onde a biblioteca concorrente Pikaia falhou ou exigiu muito mais avaliações de função.
  • Paralelismo: Testes de escalabilidade mostraram que a rotina evolve_migration escala eficientemente com o número de threads em problemas com fitness computacionalmente barato, enquanto evolve_population brilha em problemas com fitness caro.

• Aplicações Físicas:

  1. Ajuste de Setor de Higgs Estendido (LHC):

     • O evortran foi usado para realizar um scan global do modelo S2HDM (Singlet-extended Two-Higgs-Doublet Model) com 11 a 14 parâmetros livres.
     • Confrontou o modelo com dados do LHC (forças de sinal do Higgs de 125 GeV e limites de exclusão de novos bósons).
     • Resultado: Identificou regiões viáveis de parâmetros consistentes com os dados, incluindo um cenário de "acoplamento de Yukawa com sinal errado" (wrong-sign Yukawa coupling) que seria difícil de encontrar com métodos locais.

  2. Reconstrução de Ondas Gravitacionais (LISA):

     • Reconstrução do espectro de ondas gravitacionais de uma transição de fase cosmológica a partir de dados simulados do observatório espacial LISA (incluindo ruído instrumental).
     • Desafio: O problema apresenta degenerescências fortes entre parâmetros físicos ($\alpha, \beta/H, T_*, g_*, v_w$).
     • Resultados:
       • O AG conseguiu reconstruir o sinal com precisão, identificando degenerescências intrínsecas.
       • Demonstrou que a escolha do prior (distribuição inicial dos genes) impacta significativamente a cobertura do espaço de parâmetros (ex: prior linear vs. logarítmico para o parâmetro de força $\alpha$).
       • Comparação com métodos Bayesianos (PolyChordLite e MCMC) mostrou que o evortran encontra regiões de viabilidade que podem ser subamostradas por métodos estatísticos tradicionais, servindo como uma ferramenta complementar robusta.

5. Significância e Conclusão

O evortran representa um avanço significativo para a comunidade de computação científica em Fortran. Ele oferece uma solução moderna que equilibra alta performance (crucial para simulações pesadas de física de partículas e cosmologia) com facilidade de uso e flexibilidade.

Sua capacidade de lidar com problemas não diferenciáveis, ruidosos e de alta dimensão, aliada à estratégia de migração de populações, torna-o uma ferramenta superior para explorar paisagens de otimização complexas onde métodos tradicionais falham. A disponibilidade de interfaces Python e a integração com o ecossistema fpm garantem sua adoção tanto em scripts rápidos quanto em grandes bases de código científico. O trabalho estabelece o evortran como uma ferramenta essencial para futuros estudos de varredura de parâmetros em teorias além do Modelo Padrão e na análise de dados de ondas gravitacionais.