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

Este artigo apresenta o HS3, um novo padrão de serialização agnóstico à implementação, legível por humanos e extensível, projetado para fornecer um formato universal e compatível com os princípios FAIR para representar e trocar modelos estatísticos em física de altas energias, superando assim as limitações dos formatos atuais específicos de software.

O essencial

Imagine que a física de altas energias (o estudo de partículas minúsculas como as do Grande Colisor de Hádrons) seja como uma enorme competição global de culinária. Durante décadas, os chefs (cientistas) têm criado receitas incríveis (modelos estatísticos) para explicar como o universo funciona. No entanto, havia um grande problema: cada chef escrevia sua receita em uma língua diferente e secreta.

Alguns escreviam em "ROOT", um código complexo que apenas computadores específicos conseguiam ler. Outros escreviam em "pyhf", um formato mais simples e fácil para humanos lerem, mas que não conseguia lidar com todos os tipos de pratos. Se você quisesse combinar duas receitas para fazer uma refeição maior, ou se quisesse ler uma receita de 10 anos atrás em um computador novo, muitas vezes era impossível. As receitas eram como notas manuscritas em guardanapos que apodreceriam se a tinta desbotasse ou o papel ficasse molhado.

Entra o HS3: O Livro de Receitas Universal

Este artigo apresenta o HS3 (High-Energy Physics Statistics Serialization Standard). Pense no HS3 como uma nova linguagem universal para receitas que resolve todos esses problemas.

Veja como ele funciona, usando analogias simples:

1. A Linguagem "Descritiva" (O Menu, Não o Chef)

Antes, alguns formatos de receita eram como dar a um robô instruções estritas e passo a passo (ex: "Vire à esquerda, depois mexa por 3 segundos"). Se o robô quebrasse, a receita tornava-se inútil.
O HS3 é diferente. Ele é descritivo. Ele não diz ao computador como cozinhar; ele apenas descreve o que é o prato. Ele diz: "Isto é uma sopa Gaussiana" ou "Isto é um ensopado de Poisson".

• A Analogia: Imagine um menu que lista ingredientes e sabores, mas não se importa se você cozinha em uma cozinha francesa, em uma cozinha japonesa ou em um micro-ondas. Como ele apenas descreve o prato, qualquer chef (qualquer programa de computador) pode lê-lo e cozinhá-lo à sua própria maneira.

2. A Estrutura "LEGO" (Blocos de Construção)

O artigo explica que o HS3 constrói modelos como um grafo computacional, que é apenas uma forma sofisticada de dizer "um mapa de blocos LEGO".

• Você tem blocos para ingredientes (dados).
• Você tem blocos para regras (funções).
• Você tem blocos para o prato final (verossimilhança/likelihood).
• A Magia: Você pode encaixar esses blocos de uma forma clara e lógica. Se quiser mudar um ingrediente, basta trocar apenas esse bloco. Você não precisa reconstruir a torre inteira. Isso torna fácil ver como todo o modelo é montado, mesmo que seja uma estrutura gigante e complexa.

3. O Recurso de "Viagem no Tempo" (Preservação a Longo Prazo)

Uma das maiores preocupações na ciência é: "Seremos capazes de ler nossos dados daqui a 50 anos?"

• O jeito antigo: Se você salvar um arquivo em uma versão específica de um programa, e esse programa desaparecer em 10 anos, seu arquivo será um "fóssil digital": ilegível.
• O jeito HS3: Como o HS3 é escrito em um formato simples e legível por humanos (como o JSON, que se parece com texto puro), ele não depende de nenhum software específico. Mesmo que todos os computadores atuais quebrem, um humano poderia teoricamente ler o arquivo HS3 e entender a receita. É como escrever uma receita em inglês em vez de um código secreto; ela sobrevive à morte das ferramentas usadas para escrevê-la.

4. O "Tradutor" (Interoperabilidade)

O artigo mostra que o HS3 atua como um tradutor universal.

• Ele pode pegar uma receita escrita na antiga linguagem "ROOT" e traduzi-la para HS3.
• Ele pode pegar uma receita de "pyhf" e traduzi-la para HS3.
• Ele pode até traduzir de volta.
• O Resultado: Um cientista usando um computador Python agora pode compartilhar um modelo com um cientista usando um computador C++, e ambos podem entender perfeitamente. Eles podem até verificar se estão obtendo os mesmos resultados, como dois chefs provando a mesma sopa para garantir que a receita é consistente.

5. Por Que Isso Importa Agora

O artigo argumenta que o campo da física está deixando de ser apenas sobre "encontrar novas partículas" para "medi-las com precisão extrema". Isso exige combinar muitos experimentos e modelos diferentes.

• O Problema: Você não pode combinar receitas se elas estiverem escritas em línguas diferentes.
• A Solução: O HS3 permite que os cientistas combinem esses modelos facilmente, verifiquem erros e os publiquem para que qualquer pessoa (mesmo pessoas fora da equipe original) possa usá-los para testar novas teorias.

Resumo

Em suma, o HS3 é um novo padrão para escrever as "receitas matemáticas" da física de partículas. Ele é:

• Legível por humanos: Você pode lê-lo com seus olhos, não apenas com uma máquina.
• Universal: Funciona entre diferentes linguagens de computador e softwares.
• À prova de futuro: Garante que as descobertas científicas de hoje possam ser compreendidas e reutilizadas pelas gerações futuras, independentemente da tecnologia que utilizem.

O artigo afirma que este padrão já está sendo usado para publicar dados, verificar resultados entre diferentes programas de computador e até ajudar a ensinar estatística a estudantes. É o primeiro passo para tornar a "biblioteca da física" verdadeiramente aberta e acessível a todos.

Resumo técnico

Resumo Técnico: HS3 – Um Padrão de Serialização Descritivo e Interoperável para Modelos Estatísticos em Física de Altas Energias

Problema
Os modelos estatísticos em Física de Altas Energias (HEP) são os principais artefatos científicos que codificam a relação entre dados observados, parâmetros de física e incertezas. Embora a inferência baseada em verossimilhança seja central para medições de precisão, ajustes de Teoria de Campos Eficazes (EFT) e combinações de análises cruzadas, o ecossistema atual para a representação desses modelos é fragmentado. Os formatos existentes, como os ROOT workspaces, arquivos JSON do pyhf e os CMS DataCards, estão vinculados a pilhas de software específicas (ex: C++/ROOT, Python). Isso cria barreções significativas para a interoperabilidade, validação e preservação a longo prazo. Os ROOT workspaces são binários e dependentes de versão; o JSON do pyhf é legível por humanos, mas limitado em escopo em comparação ao RooFit; e os CMS DataCards dependem de implementações específicas em C++. Consequentemente, a conversão entre formatos é frágil, a validação entre frameworks é difícil e a usabilidade de longo prazo dos modelos é ameaçada pela obsolescência do software.

Metodologia e Princípios de Design
Os autores introduzem o HS3 (High-Energy Physics Statistics Serialization Standard), um formato de serialização independente de implementação, legível por humanos e extensível. O design é guiado por vários princípios fundamentais:

• Linguagem de Domínio Específico (DSL) Descritiva: O HS3 é uma especificação declarativa de estruturas matemáticas (distribuições, funções, parâmetros, conjuntos de dados) em vez de uma codificação de lógica de execução. Ele separa a semântica matemática da implementação algorítmica, permitindo que diferentes motores de inferência interpretem o mesmo modelo.
• Representação de Grafo Computacional: Os modelos são representados como grafos acíclicos dirigidos (DAGs), onde os nós são distribuições, funções ou dados nomeados, e as arestas representam dependências. O padrão suporta uma granularidade híbrida, permitindo tanto nós compostos de alto nível (ex: histfactory_dist para modelos baseados em templates) quanto operações elementares de baixo nível. Isso preserva a estrutura semântica ao mesmo tempo que permite otimizações de backend.
• Interoperabilidade e Completude: O HS3 foi projetado para ser semanticamente completo em relação ao RooFit (o framework mais expressivo atual), mantendo a legibilidade do JSON do pyhf. Visa suportar verossimilhanças tanto binadas quanto não binadas, modelos compostos hierárquicos e distribuições estendidas.
• Legibilidade Humana e de Máquina: O formato canônico é JSON, escolhido por sua maturidade de ferramentas e estrutura explícita. Todos os objetos são nomeados de forma única para garantir referências inequívocas, facilitando o controle de versão e a modificação incremental.
• Princípios FAIR: O padrão alinha-se aos princípios de Encontrabilidade, Acessibilidade, Interoperabilidade e Reutilização (FAIR), utilizando identificadores persistentes e formatos abertos para garantir que os modelos permaneçam utilizáveis conforme os ambientes de software evoluem.

Estrutura do Padrão
Um documento HS3 é organizado em seções de nível superior contendo objetos indexados:

• Distribuições: Fundamentais (ex: Gaussiana, Poisson) e distribuições compostas.
• Funções: Transformações matemáticas determinísticas (elementares ou definidas pelo usuário).
• Dados: Conjuntos de dados observados ou simulados (binados ou não binados).
• Verossimilhanças (Likelihoods): Objetos que combinam distribuições e conjuntos de dados.
• Domínios: Definições de intervalos de parâmetros, tipos (contínuos/discretos) e restrições.
• Pontos de Parâmetros: Conjuntos nomeados de valores para benchmarks ou pontos iniciais.
• Análises: Prescrições de alto nível definindo parâmetros de interesse (POIs), parâmetros de incerteza (nuisance parameters) e estatísticas de teste.
• Metadados: Proveniência, versionamento e autoria.
• Diversos (Misc): Dicas não normativas para visualização ou configuração.

Principais Contribuições e Implementações
O artigo detalha o desenvolvimento do HS3 e sua integração com frameworks existentes:

1. Integração ROOT/RooFit: Uma biblioteca integrada no ROOT 6.36 permite a conversão bidirecional entre objetos RooWorkspace e o JSON do HS3, preservando nomes, parâmetros e normalização. Isso serve como a implementação de referência.
2. CMS Combine e DataCards: Os DataCards podem ser analisados para RooWorkspaces e, posteriormente, exportados para HS3. A natureza modular do HS3 permite a inclusão futura de construções de modelagem específicas do CMS.
3. Compatibilidade com pyhf: Modelos JSON do pyhf podem ser traduzidos para o HS3 promovendo canais para nós histfactory_dist. Inversamente, modelos simples de HS3 podem ser convertidos de volta para JSON do pyhf.
4. Implementações em Diferentes Linguagens:
   • pyhs3: Um pacote puramente Python que fornece analisadores (parsers), validadores e ferramentas para construir modelos HS3, garantindo consistência com o ROOT.
   • HS3.jl: Uma implementação em Julia que oferece processamento de alto desempenho e estruturas de dados nativas, facilitando a integração com ferramentas JuliaHEP e inferência baseada em gradientes.

Resultados e Primeiras Aplicações
O artigo apresenta a validação inicial e aplicação do padrão:

• Validação Cruzada: A Figura 1 demonstra boa concordância entre as curvas de verossimilhança de perfil geradas pela implementação C++ do ROOT e a implementação Python pyhs3 para uma medição ATLAS de V H, validando a consistência numérica entre frameworks.
• Integração com HEPData: O HEPData agora suporta HS3 via um sistema de "selo" (badge). Diversas análises do ATLAS (medições de Higgs, buscas de nova física, análises do Modelo Padrão) foram publicadas com verossimilhanças baseadas em HS3, permitindo que usuários externos reconstruam modelos sem depender de stacks de software específicos.
• Análises Combinadas: Estudos de prova de conceito mostram que múltiplas verossimilhanças públicas podem ser combinadas em um único modelo sem reescrita manual, aproveitando a codificação explícita de nomes de parâmetros e restrições do HS3.
• Projeto DEMOS: O HS3 foi selecionado como o formato de referência para o projeto DEMOS, que visa unificar a modelagem estatística entre física de partículas, astrofísica de partículas e física nuclear.
• Educação: A natureza legível por humanos do HS3 torna-o adequado para o ensino de inferência estatística, servindo como uma ponte entre materiais conceituais e análises científicas completas.

Significância e Alegações
Os autores sustentam que o HS3 estabelece uma base para modelos estatísticos duradouros e FAIR no LHC e além. Ao desacoplar as definições de modelos de motores de inferência e linguagens de programação específicos, o HS3 aborda a necessidade crítica de reprodutibilidade, reinterpretação e preservação a longo prazo em uma era dominada por incertezas sistemáticas e ajustes globais complexos. O artigo afirma que o HS3 fornece uma linguagem estável, extensível e independente de framework que pode evoluir para atender às necessidades da comunidade científica mais ampla, potencialmente tornando-se para modelos estatísticos o que os arquivos .root são para o armazenamento de dados: uma representação durável, portátil e universalmente intercambiável. O padrão não é apresentado como uma solução final e imutável, mas como um framework vivo governado pelo consenso da comunidade e versionamento para garantir a compatibilidade reversa e a melhoria contínua.