Diffusion-model approach to flavor models: A case study for $S_4^\prime$ modular flavor model

技术摘要：扩散模型方法在味模型中的应用：$S'_4$ 模味模型案例研究

问题陈述
味模型旨在解释费米子质量与混合的模式，通常依赖于由标量场（味子）的真空期望值（VEV）破缺的味对称性（如模对称性）。虽然对称性约束了结构，但现实味结构的定量实现取决于模型内的自由参数，包括模场 $\tau$。传统的数值方法（如蒙特卡洛模拟）在此背景下面临重大挑战。这些优化结果对初始参数值高度敏感，使得高效探索广阔的参数空间并识别现实的味模式变得困难，特别是在解析评估困难的区域（例如 $\text{Im}[\tau]$ 的小值区域）。

方法论
作者提出了一种利用条件扩散模型（一类生成式人工智能）的数值框架，以解决味物理中的逆问题：生成能够复现特定实验可观测量（$L$）的模型参数（$G$）。

1. 模型架构：本研究采用带有分类器自由引导（CFG）的去噪扩散概率模型（DDPMs）。

   • 前向过程：噪声被逐步添加到一组初始模型参数 $G$（如汤川耦合和模 $\tau$ 等自由参数）中，生成一系列噪声数据点 $x_t$。
   • 逆向过程：训练一个神经网络，基于标签 $L$（代表物理可观测量：夸克质量、CKM 矩阵元及 Jarlskog 不变量）预测每一步添加的噪声。通过从纯噪声开始，并根据学习到的噪声预测及条件 $L$ 迭代去除噪声，模型生成新的参数集 $G$。
   • 网络设计：使用带有 SELU 激活函数的全连接神经网络。输入包括噪声数据 $x_t$、时间步 $t$ 和条件标签 $L$。输出为预测的噪声。网络训练旨在最小化实际噪声与预测噪声之间的均方误差（MSE）。
   • 迁移学习：为提高精度，实施了双阶段训练过程。首先，在随机生成的数据上训练一个“预网络”。其次，使用预网络生成的满足初步 $\chi^2$ 阈值的数据子集对网络进行“微调”。

2. 案例研究：该方法应用于专注于夸克扇区的$S'_4$ 模味模型。

   • 输入（$G$）：10 个参数，包括汤川耦合系数的比率（$\alpha, \beta$）以及模 $\tau$ 的实部和虚部。
   • 输出/标签（$L$）：16 个分量，代表质量比的对数（$m_u/m_t, m_c/m_t$ 等）、CKM 矩阵元的绝对值以及 Jarlskog 不变量的符号/对数。
   • 约束：模型假设汤川耦合系数为实数，以测试仅由模 $\tau$ 引起的自发 CP 破坏。

关键结果
该研究成功证明了扩散模型在寻找 $S'_4$ 模型现象学可行参数区域方面的有效性：

• 效率与精度：扩散模型，特别是经过微调后，显著提高了生成与实验数据匹配参数的成功率。虽然预网络在 $\chi^2 < 8.0 \times 10^4$ 时的成功率约为 2.59%，但微调后的网络将此比例提升至约 5.95%，并在生成的 $9 \times 10^6$ 个样本中产生了 17 个 $\chi^2 < 200$ 的解。
• 新参数区域的发现：模型识别出了可行的解，其中模的虚部 $\text{Im}[\tau]$ 集中在 2.2 附近。该区域小于先前文献中发现的最优值（$\text{Im}[\tau] \sim 2.8$），证明了该模型能够探索传统优化方法因对初始条件敏感而难以触及的参数空间。
• 自发 CP 破坏：一个关键发现是确认了 $S'_4$ 模型内的自发 CP 破坏。通过将汤川耦合系数全部视为实数，模型仅通过模 $\tau$ 的复相位（具体为其实部 $\text{Re}[\tau]$）成功复现了观测到的 Jarlskog 不变量（$J \approx 2.87 \times 10^{-5}$）。生成的 Jarlskog 不变量的中位数为 $2.49 \times 10^{-5}$，与实验值相当。
• 具体解：找到的最佳解（最低 $\chi^2 = 74.4$）提供了耦合比率和 $\tau$ 的具体数值（$\text{Re}[\tau] = 0.2825, \text{Im}[\tau] = 2.2400$），这些数值在实验 $1\sigma$ 范围内复现了夸克质量和混合角。

意义与主张
该论文主张，扩散模型方法为分析味模型提供了一种通用且高效的传统优化方法替代方案。其主要意义在于：

1. 逆问题能力：它实现了从实验数据到合理模型参数的直接映射，无需手动调整初始值。
2. 模型独立性：该框架不依赖于特定味模型的细节，表明其可应用于其他模味模型，或仅需最小架构调整（主要是缩放输入/输出维度）即可扩展至轻子扇区。
3. 挑战性区域的探索：该方法能够揭示难以通过解析方法或标准数值搜索捕捉的“半现实”参数区域，例如本研究中确定的特定 $\text{Im}[\tau]$ 值。
4. 物理洞察：生成具有实系数但仍能产生 CP 破坏的解的能力，突显了该模型在检验味物理中 CP 破坏起源的基本假设方面的效用。

作者总结道，虽然当前研究专注于具有固定表示和权重的夸克扇区，但扩散模型作为提取新物理预测的强大分析工具，未来可与其它机器学习技术（如强化学习）结合，以自动化模型结构的选择。