基于图强化学习的BSM模型空间探索

我们提出了一种利用强化学习（RL）扫描BSM参数空间的方法。我们识别出一种新颖的程序，可使用图神经网络在用户无需指定固定粒子内容的情况下探索模型空间，允许探索广泛的BSM模型。在理论上，这种技术适用于几乎任何具有预指定规范群的模型空间。我们提供了一个通用程序，可为任何BSM模型开发合适的图语法，这些模型特点是用户指定的对称群以及有限数量的不同可能粒子种类。作为概念验证，我们为那些可能或不可能受暗 U(1) 规范约束的向量样 leptons 构建图语法，灵感来自次亚GeV 向量门/动力学混合简化暗物质模型。随后，我们利用这一图语法创建了一个RL环境，任务是构建符合各种精密观测量的具有这些向量样 leptons 的模型。RL智能体成功开发出能够解释观察到的μ正电磁矩偏差同时保持与味觉违规和电弱精密观测一致的模型，包括以前已有研究的模型以及我们所知从未被识别的新模型。通过检查智能体产生的 resulting model 集并实验不同的RL环境和图语法配置，我们也推断出各种关于 developing these environments 的教训，这些教训可以转移到更复杂模型空间的RL扫描中，并就将这一技术发展为更成熟工具的未来方向进行了评论。