基于强化学习的轴子模型统计搜索策略：来自味物理的视角

我们提出了一种基于强化学习的搜索策略来探索标准模型之外的新物理。强化学习作为机器学习方法之一，是一种在现象学约束下寻找模型参数的强大方法。作为一个具体例子，我们关注一个具有全局$U(1)$味对称性的最小轴子模型。学习智能体成功找到了解决标准模型中味和宇宙学难题的夸克和轻子的$U(1)$电荷分配，并在考虑重整化效应的情况下，为夸克扇区找到了超过150个现实解。对于基于强化学习分析找到的解，我们讨论了未来实验探测轴子（自发破缺$U(1)$的Nambu-Goldstone玻色子）的灵敏度。我们还检验了基于强化学习的搜索方法在寻找最佳离散参数方面与传统优化方法相比的速度。总之，基于强化学习策略的高效参数搜索使我们能够对与来自味物理的轴子模型相关的大参数空间进行统计分析。