Using Neural Networks to Probe the Parameter Space of a 3HDM with a U(1) times Z2 Flavor Symmetry
(2020) FYTM04 20201Theoretical Particle Physics - Undergoing reorganization
- Abstract
- Probing the physical regions in large parameter spaces of typical Standard Model (SM) extensions can be a very difficult computational task. In this thesis project, a new framework has been developed that utilises well-known Machine Learning (ML) techniques in the form of neural networks trained by a genetic algorithm. This framework is rather generic and designed to explore new physics model parameter spaces with a large number of dimensions, implementing a given set of theoretical and experimental constraints, in a time-efficient and smart way. The ML framework has been applied for analysis of a large parameter space in a recently proposed Three Higgs Doublet Model (3HDM) with a U(1)times Z_2 flavor symmetry implementing theoretical... (More)
- Probing the physical regions in large parameter spaces of typical Standard Model (SM) extensions can be a very difficult computational task. In this thesis project, a new framework has been developed that utilises well-known Machine Learning (ML) techniques in the form of neural networks trained by a genetic algorithm. This framework is rather generic and designed to explore new physics model parameter spaces with a large number of dimensions, implementing a given set of theoretical and experimental constraints, in a time-efficient and smart way. The ML framework has been applied for analysis of a large parameter space in a recently proposed Three Higgs Doublet Model (3HDM) with a U(1)times Z_2 flavor symmetry implementing theoretical constraints on tree-level unitarity and boundedness from below, as well as the experimental bounds on oblique corrections. We have developed an inversion procedure that enables us to use the scalar boson masses, mixing angles and off-alignment parameters as inputs in our ML framework. This lets us use measured values of the SM-like Higgs boson mass (within errors) and couplings in the near-alignment regime, as well as possible experimental bounds on masses of additional scalar bosons as inputs.A similar inversion algorithm has also been implemented in the quark sector, enabling us to take the measured values of quark masses and mixing angles (within errors) as inputs randomized within the experimental uncertainties. Our ML implementation makes an important step towards an efficient and detailed exploration of large parameter spaces of new physics models highly constrained by precision experimental bounds. (Less)
- Popular Abstract (Swedish)
- Partikelfysikens standardmodell är en av de mest exakta modellerna inom fysiken. Den beskriver interaktionerna mellan fundamentala partiklar som kvarkar och leptoner, hur Higgspartikeln ger massa till andra partiklar och tre av universums fyra fundamentala krafter: elektromagnetism, svag växelverkan och stark kärnkraft. Tyvärr finns det frågor som inte ens standardmodellen kan svara på. "Varför finns det fler partiklar än antipartiklar?" och "Vad är mörk materia?" är bara två exempel. För att försöka svara på de här frågorna måste fysiker undersöka nya modeller, som ofta bygger ut standardmodellen, och testa vilka numeriska värden som parametrar i de här modellerna måste ha för att fungera med de många mätningar som redan gjorts i t.ex.... (More)
- Partikelfysikens standardmodell är en av de mest exakta modellerna inom fysiken. Den beskriver interaktionerna mellan fundamentala partiklar som kvarkar och leptoner, hur Higgspartikeln ger massa till andra partiklar och tre av universums fyra fundamentala krafter: elektromagnetism, svag växelverkan och stark kärnkraft. Tyvärr finns det frågor som inte ens standardmodellen kan svara på. "Varför finns det fler partiklar än antipartiklar?" och "Vad är mörk materia?" är bara två exempel. För att försöka svara på de här frågorna måste fysiker undersöka nya modeller, som ofta bygger ut standardmodellen, och testa vilka numeriska värden som parametrar i de här modellerna måste ha för att fungera med de många mätningar som redan gjorts i t.ex. experiment vid partikelacceleratorer.
De här nya modellerna kan dock bli väldigt komplicerade och när de blir mer komplicerade blir det svårare att numeriskt testa vilka parametrar som fungerar bra, dagens datorer är inte kraftfulla nog. Det är inte ovanligt att man behöver flera tiotal ihopkopplade datorer som räknar i veckor för att hitta resultat.
För att försöka göra de här beräkningarna snabbare så har maskininlärning använts i det här projektet. Maskininlärning handlar om att utveckla metoder som tränar datorer att lösa olika problem. Ett stort område inom maskininlärn\-ing är artificiella neuronnät, en metod som är baserad på att försöka återskapa en biologisk hjärna med matematik. I en människohjärna finns över 80 miljarder neuroner som är ihopkopplade med ungefär 150 biljoner synapser. Detta stora nätvärk av neuroner är vad som gör att människor kan, bland annat, minnas händelser och lösa problem. För att efterlikna den här inlärningsförmågan skapades artificiella neuronnät, med matematiska modeller av neuroner som är ihopkopplade till nätverk. Dessa nätvärk lär sig genom att de får försöka lösa ett problem, där de blir belönade om de gör rätt eller straffade om de gör fel.
Här har ett program skapats som kan träna artificiella neuronnät för att hitta bra värden på parametrarna i en typ av utvidgning av standardmodellen kallad tre-Higgs-dublettmodeller, eller förkortat, 3HDMs. I standardmodellen finns bara en Higgspartikel, men i en 3HDM finns ytterligare sex Higgspartiklar som möjligtvis kan svara på obesvarade frågor och visa vägen till ny, oupptäckt fysik.
Programmet lyckades träna och hitta bra parameterar inom en dag på en persondator, vilket är mycket mer effektivt än metoder utan maskininlärning, där det kan ta veckor, även med många datorer. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/9029894
- author
- Siwe, Ludvig LU
- supervisor
- organization
- course
- FYTM04 20201
- year
- 2020
- type
- H2 - Master's Degree (Two Years)
- subject
- keywords
- Three Higgs Doublet Model, 3HDM, Machine Learning, Neural Network, Genetic Algorithm
- language
- English
- id
- 9029894
- date added to LUP
- 2020-10-07 16:15:43
- date last changed
- 2020-10-07 16:15:43
@misc{9029894,
abstract = {{Probing the physical regions in large parameter spaces of typical Standard Model (SM) extensions can be a very difficult computational task. In this thesis project, a new framework has been developed that utilises well-known Machine Learning (ML) techniques in the form of neural networks trained by a genetic algorithm. This framework is rather generic and designed to explore new physics model parameter spaces with a large number of dimensions, implementing a given set of theoretical and experimental constraints, in a time-efficient and smart way. The ML framework has been applied for analysis of a large parameter space in a recently proposed Three Higgs Doublet Model (3HDM) with a U(1)times Z_2 flavor symmetry implementing theoretical constraints on tree-level unitarity and boundedness from below, as well as the experimental bounds on oblique corrections. We have developed an inversion procedure that enables us to use the scalar boson masses, mixing angles and off-alignment parameters as inputs in our ML framework. This lets us use measured values of the SM-like Higgs boson mass (within errors) and couplings in the near-alignment regime, as well as possible experimental bounds on masses of additional scalar bosons as inputs.A similar inversion algorithm has also been implemented in the quark sector, enabling us to take the measured values of quark masses and mixing angles (within errors) as inputs randomized within the experimental uncertainties. Our ML implementation makes an important step towards an efficient and detailed exploration of large parameter spaces of new physics models highly constrained by precision experimental bounds.}},
author = {{Siwe, Ludvig}},
language = {{eng}},
note = {{Student Paper}},
title = {{Using Neural Networks to Probe the Parameter Space of a 3HDM with a U(1) times Z2 Flavor Symmetry}},
year = {{2020}},
}