BFBrain：基于贝叶斯主动学习的标量场下有界条件求解

我们提出了一种利用贝叶斯深度主动学习的方法，可快速生成任意可重整化标量势的高度精确近似下有界（bounded-from-below）条件，其形式为可保存并导出以用于任意参数空间扫描的神经网络。我们在三种具有高度非平凡或未知符号下有界条件的标量势（双希格斯二重态模型、三希格斯二重态模型，以及无手征对称性的 Georgi-Machacek 模型的一个版本）上探究了该方法的性能。我们发现可以为全部三种势生成快速且高度精确的二分类器。此外，对于不存在已知符号必要且充分下有界条件的势，我们的分类器大幅优于一些常见的近似解析方法，例如生成可处理但非必要的充分条件，或仅对理论中部分场取得真空期望值（vev）的情形评估下有界条件。我们的方法可轻松适用于任意可重整化标量场论。为便于学界使用，我们开发了 Python 包 BFBrain，可在高度可定制的情况下对用户指定的标量势快速实现我们的分析流程。