⚛️ 唯象学

BSMScanner: a lightweight framework for beyond-the-Standard-Model global fits

本文介绍了 BSMScanner，这是一个轻量级框架，它允许用户通过声明式 YAML 规范来定义超越标准模型（BSM）的全局拟合，这些规范会被编译成高效的 C++ 内核，并由各种扫描引擎执行，以分析基准模型。

原作者： Mohamed Belfkir

发布于 2026-10-14

📖 1 分钟阅读🧠 深度阅读

原作者： Mohamed Belfkir

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在现代物理学的广阔版图中，存在着一个持久的鸿沟：我们已知的运行规则与我们实际观测到的宇宙之间并不匹配。科学家们拥有一本非常成功的规则书，即“标准模型”，它解释了电子和夸克等粒子是如何相互作用的。然而，这本书并不完整。它无法解释为什么引力比其他力弱这么多，为什么宇宙是由物质而非反物质组成的，以及暗物质究竟是什么。为了寻找缺失的碎片，物理学家提出了“超越标准模型”的理论。这些是增加了现有粒子或力的全新规则书。然而，在经过现实世界的检验之前，任何新理论都仅仅是一个假设。为了进行这项检验，研究人员必须将一个理论代入其所有可能的数值组合，并观察哪些组合能在现实实验的严苛约束下幸存下来。这个过程就像是在试图寻找一根不断改变形状的草堆中的特定针，完成这项工作需要检查数十亿种可能性。

几十年来，用于执行这种搜索的工具一直显得笨拙且难以复用。每当物理学家想要测试一个新理论时，他们都必须从头开始编写定制的计算机程序。他们需要手动编写代码来计算一个新粒子的质量、如何混合不同类型的粒子，以及如何将结果与实验数据进行对比。这意味着，如果科学家想要改变搜索策略或测试一个略微不同的理论版本，他们往往不得不重写大部分代码。这导致了发现的过程极其缓慢，容易出错，并且很难让其他科学家核查工作或重复实验。探索的机械装置在每一个新问题面前都在被重新构建，而不是被复用。

来自多哈科学技术大学的 Mohamed Belfkir 及其团队引入了一种改变这种搜索方式的新方法。他们创建了一个名为 BSMScanner 的框架，该框架不将物理模型视为复杂的计算机程序，而是将其视为一份简单、可读的文档。研究人员不再通过编写代码来定义理论，而是编写一个列出理论成分的文本文件：包括新粒子的名称、它们可能的质量范围以及支配它们相互作用的规则。这个文件充当了一份蓝图。随后，软件会读取这份蓝图，检查其一致性，并自动将其转化为一个高效的、预编译的引擎，能够每秒进行数百万次计算。

该系统的力量在于实现了“做什么”与“怎么做”的分离。研究人员以清晰、结构化的格式定义他们想要研究的内容，而软件则处理繁重的数学运算。这包括复杂任务，例如计算粒子如何相互混合，或者确定一组提议的数值是否会导致一个在物理学上不可能存在的宇宙。由于软件将这些信息一次性编译成一个快速且不可更改的核心，因此它可以极其迅速地测试搜索空间中的点。在测试中，该系统在单个计算机处理器上用不到一分钟的时间，就评估了拥有二十六个不同变量的复杂模型。这种速度使研究人员能够探索以往难以检查的广阔可能性区域。

该框架还解决了可复现性的问题。在旧的工作方式中，搜索的细节隐藏在只有原作者才能轻易理解的代码行中。有了 BSMScanner，整个设置都清晰地呈现在文本文件中。如果另一位科学家想要验证结果，他们只需阅读该文件即可准确了解测试了哪些参数、应用了哪些规则以及使用了哪种搜索方法。该系统为每一步操作都留下了清晰的记录，确保了结果可以被审计和信任。

为了证明该系统的有效性，团队将其应用于六种不同的理论模型，涵盖了从简单的粒子增加到涉及暗物质和新力的复杂情景。他们测试的模型既包括需要寻找特定最佳拟合的模型，也包括目标仅为寻找符合物理定律之区域的模型。在其中一个案例中，他们研究了一个有效解极其罕见的模型，传统的搜索方法无法找到这些解；而新系统成功定位了那些理论可以成立的微小且隐蔽的区域。在另一个测试中，他们检查了一个具有许多变量的模型，并发现该系统能够导航复杂的景观以找到与实验数据最匹配的最佳方案，证实了该软件能够处理现代粒子物理学所需的复杂数学。

研究人员还展示了该系统适应新挑战的便捷性。由于模型是在文档中定义的，因此改变搜索策略就像编辑几行文本一样简单。如果研究人员想要从随机搜索切换到一种更高级的、寻找优选解簇的方法，他们不需要重写物理逻辑。他们只需更改文件中的指令，软件就会在同一个编译好的模型上运行新的策略。这种灵活性意味着科学家可以将时间花在思考物理问题上，而不是调试代码。

结果表明，这种方法不仅是理论上的改进，更是实践上的进步。该系统成功识别了所测试模型的最佳匹配项，并绘制出了理论依然有效的区域。它证实了这一新框架能够处理现代粒子物理学的复杂性，同时使过程变得更快、更可靠且更易于共享。通过将寻找新物理的过程转变为一个声明式过程，BSMScanner 让科学家能够专注于真正重要的课题，而将枯燥的计算工作交给一个旨在被复用、被理解和被信任的工具。

技术摘要：BSMScanner

问题陈述

超越标准模型（BSM）物理学的现象学研究高度依赖于全局参数扫描，以将理论模型与实验约束进行协调。目前，这些扫描的基础设施通常在每个新模型出现时都需要从头重写。这种方法导致了四个关键问题：

缺乏复用性： 模型无关的操作（例如构建 PMNS 矩阵、对角化质量矩阵、提取混合角）在每个研究中都被独立重新实现，这往往会导致细微的约定差异。
可重复性挑战： 搜索设置、先验分布和有效性截断被直接嵌入代码而非显式声明，使得发表的扫描过程难以复现。
性能瓶颈： 被解释执行的内层循环限制了可评估点的数量，迫使研究设计必须围绕计算上限而非物理问题来进行。
算法僵化： 搜索算法与模型代码耦合在一起；改变搜索策略（例如从随机采样到差分进化）需要重写驱动程序，从而导致不加批判地继承了次优算法。

现有的通用框架（如 Gambit、HEPfit 和 flavio）解决了部分此类问题，但往往会带来显著的架构负担。在这些系统中添加一个模型需要编写 C++ 模块并将其注册到依赖解析引擎中，对于那些主要计算成本在于对小矩阵进行对角化（例如味模型或有效场论）而非生成完整能谱或与多个外部能谱生成器交互的模型而言，这种开销是不成比例的。

方法论

BSMScanner 是一个轻量级框架，旨在将 BSM 模型视为一个声明式文档而非一个程序。其核心理念是将模型规范与搜索引擎及评估逻辑分离。

架构

该框架由三个层级组成：

Python 前端： 读取 YAML 模型规范，根据模式（schema）验证其有效性，展开可复用的解析函数，并构建类型化的依赖图。它能够检测循环，选择特定输出所需的活跃子图，并将结果降阶为一个紧凑的执行计划。
编译后的 C++ 核心： 执行计划被一次性编译为一个不可变的、类型化的 C++ 内核。该内核负责评估点值而不回调 Python，缓存节点值，执行矩阵对角化（使用 Eigen），并将理论检查与似然度评估分离。
扫描引擎与插件： 各种扫描引擎通过统一的接口驱动编译后的内核。外部计算（例如来自 micrOMEGAs 的暗物质丰度）通过狭窄的插件接口（C++ 或 Python）进行集成，而无需核心层了解后端知识。

模型声明

模型通过包含以下内容的 YAML 文件进行定义：

参数： 带有范围、先验分布（平坦、对数、符号对数）和默认值的扫描参数与固定参数。
矩阵与对角化： 质量矩阵和耦合矩阵按条目逐一定义。框架根据声明的语义类型推断对角化方法（如用于 Majorana 费米子的 Takagi 对角化、用于 Dirac 费米子的 SVD 等），从而确保混合矩阵（PMNS、CKM）的约定一致性。
理论检查： 通过（pass/fail）条件（例如微扰性、真空稳定性）进行评估，这些条件与似然度分开处理。未通过检查的点被标记为无效，但不会贡献于目标函数，从而使似然度不受任意惩罚标度的影响。
可观测物理量与似然度： 物理量通过表达式、对角化输出的投影或插件调用来定义。似然度项（高斯、硬截断、查表法、多元高斯）被累加为负对数似项目标函数。

扫描引擎

框架支持四种通过共同接口运行的引擎：

serial_random： 从先验分布中进行独立抽样；适用于纯粹的否决（veto）问题。
de_scipy： SciPy 差分进化的独立实现。
adaptive_diver： 一种原生的 JADE 型差分进化算法，具有自适应变异和交叉率，并带有可选的局部精细化功能。
basin_scan： 专为可行区域较小或不连续的问题设计。它执行空间填充式探索，对有前景的点进行聚类，构建聚焦的区域框（boxes），并在这些框内运行自适应搜索。

可选的后扫描阶段包括后验精细化（使用 emcee 进行局部 MCMC 采样）和统计分析（似然权重汇总）。

核心贡献

声明式工作流： 将模型定义从命令式代码转向 YAML 文档，允许从共享库中导入模型无关的机制（如 PMNS/CKM 构建、对角化例程、表格化似然度）。
高性能： 通过将模型编译为 C++ 内核，框架实现了约 13–50 µs 的单点边际评估成本（取决于模型复杂度），使得在单个核心上不到一分钟内即可评估 $10^6$ 个点。
灵活性： 更改搜索策略或添加约束仅需编辑 YAML 配置，无需重写代码。
可重复性： 每次运行都会生成包含完整配置、随机种子和框架版本的机器可读产物（points.csv、metadata.json、summary.json、best_fit.json），从而实现结果的精确重建。

结果与基准测试

框架在涵盖 4 到 26 个自由参数的六个基准模型上进行了验证：

Scotogenic 模型 (26 个参数)： 使用 adaptive_diver 成功导航了复杂的似然曲面（存在多个局部极小值），找到了 0.64 的最佳目标值。
极小 B−L 模型 (7 个参数)： 绘制了一个六维平台图，其极小值由解析边界定义，展示了引擎探索有效区域而非仅仅定位单点的能力。
双希格斯双重态模型 (2-HDM, 6 个参数)： 解析了一个有效区域仅占先验体积 $10^{-4}$ 的场景。basin_scan 成功引导了搜索，而随机初始化的 adaptive_diver 则陷入停滞。
SMEFT (Warsaw 基底, 9 个参数)： 达到了 $2 \times 10^{-12}$ 的最小目标值，精确还原了 S、T 和 $\kappa_V$ 约束的解析反演结果至四位有效数字。
简化 Z′ 暗物质模型 (4 个参数)： 展示了对纯否决问题中允许区域的有效覆盖。
标量轻子夸克 S1 (4 个参数)： 找到了耦合度随质量缩放的简并最优线，重现了 $R(D^{(*)})$ 和 $B(B^+ \to K^+ \nu \bar{\nu})$ 的中心值。

解析交叉检查确认，扫描结果与各基准测试中的理论预期值及约束边界相符。

意义

BSMScanner 解决了味模型构建和有效场论（EFT）现象学的特定需求，在这些领域，计算瓶颈通常是重复的小矩阵对角化，而非生成完整的能谱。通过提供一种轻量级的声明式替代方案，它允许研究人员：

重用模型无关的组件，无需重写代码。
通过编辑 YAML 文件快速迭代模型定义和搜索策略。
实现适用于高维扫描的高性能评估速率。
通过显式配置和产物生成确保可重复性。

该框架并不与旨在进行全能谱生成和多后端集成的工具（如 Gambit）竞争，而是为那些物理内容由有限参数和矩阵运算定义的模型提供了一个专门且高效的解决方案。