Resumen - Múltiples Axiones Salvan la Inflación de Alta Escala

Múltiples Axiones Salvan la Inflación de Alta Escala

2025-07-10 17:50:53

{"Dan Kondo","Hitoshi Murayama"}

{hep-ph}

El artículo discute un nuevo enfoque para resolver el problema de la pared de dominio en modelos de materia oscura de axiones que requieren inflación a gran escala. En estos modelos, la simetría Peccei-Quinn se rompe durante la inflación, lo que lleva a la producción de axiones mediante el mecanismo de desalineación. Sin embargo, este mecanismo puede llevar a la formación de paredes de dominio, que son desastres cosmológicos. El artículo propone que el problema de la pared de dominio puede evitarse introduciendo múltiples axiones, o un "axiverso". Incluso en modelos con un solo coeficiente anómalo U(1)PQ mayor de uno, como el modelo de axión DFSZ, la mezcla con otro Partícula-Like-Axión (ALP) puede hacer que el estado fundamental sea único y eliminar las paredes de dominio estables. Los autores identifican los criterios para que los potencias de múltiples axiones tengan un mínimo único y eviten el problema de la pared de dominio. Encuentran que el número de estados fundamentales degenerados en el potencial de múltiples axiones es dado por la determinante de la matriz de coeficientes anómalo. El artículo presenta un modelo generalizado de axión DFSZ supersimétrico que evita el problema de la pared de dominio debido a un ALP extra. Este modelo mantiene la compatibilidad con la unificación grande y resuelve el problema de la escala. El artículo también discute la fenomenología del escenario de múltiples axiones, incluyendo la formación de paquetes de cuerdas y redes de paredes de cuerdas. Muestra que la red de paredes de cuerdas colapsa rápidamente, evitando la formación de desastres cosmológicos. En conclusión, el artículo propone una nueva manera de resolver el problema de la pared de dominio en modelos de materia oscura de axiones. Muestra que múltiples axiones pueden usarse para evitar el problema y permitir la inflación a gran escala, haciendo estos modelos más compatibles con las observaciones.