超标准模型物理中的符号回归与可微拟合
高能物理 - 唯象学
2025-10-24 v1 宇宙学与河外天体物理
人工智能
机器学习
计算物理
摘要
我们展示了符号回归(SR)探索粒子物理超标准模型(BSM)模型的有效性，以CMSSM(受限最小超对称标准模型)为例。像许多BSM物理的变体一样，该模型具有四个任意参数，这些参数决定了实验信号和宇宙学观测量（如暗物质残余密度）。我们表明，利用针对输入参数中表示观测量的符号表达式进行分析，可大大加快现象学分析速度。我们专注于赝 Higgs 质量、冷暗物质残余密度以及阴影磁矩异常贡献。我们发现SR能够产生相当精确的表达式。借助它们，我们进行全局拟合以推导CMSSM输入参数的后验概率密度，这些结果与采用常规方法得到的结果良好一致。此外，我们展示了SR的一个主要优势，即能够使用可微方法进行拟合，而非抽样方法。我们还与神经网络(NN)回归方法进行比较。SR产生更具全局鲁棒性的结果，而NN则需要数据聚焦于有前景的区域才能达到相当水平。
引用
@article{arxiv.2510.20453,
title = {Symbolic Regression and Differentiable Fits in Beyond the Standard Model Physics},
author = {Shehu AbdusSalam and Steven Abel and Deaglan Bartlett and Miguel Crispim Romão},
journal= {arXiv preprint arXiv:2510.20453},
year = {2025}
}
备注
18 pages, 4 figures