Cơ chế truyền gaugino (gaugino mediation) [81, 30] để đưa sự phá vỡ siêu đối xứng từ phần ẩn vào phần hiện dựa trên ý tưởng về siêu đối xứng trong không-thời gian năm chiều. Trong trường hợp này, phần hiện bao gồm các siêu trường chiral của mô hình MSSM định xứ trong một brane(3 + 1)chiều(2), còn phần ẩn với siêu đối xứng bị phá vỡ một cách động lực nằm trong một brane
(3 + 1) chiều khác. Hai brane này song song với nhau và được đặt tách biệt ở hai điểm cố định trong chiều thứ năm của không-thời gian. Các siêu trường vector chứa trường chuẩn và bạn đồng hành của chúng (gaugino) tồn tại trong khoảng không gian giữa các brane và có thể tương tác trực tiếp với các siêu trường trong cả hai brane này. Cơ chế truyền gaugino được minh họa trong Hình 2.1. x5 = 0 Các trường vật chất của mô hình MSSM v v v v x5 =L Nguồn phá vỡ siêu đối xứng
Hình 2.1: Sự truyền nguồn phá vỡ siêu đối xứng từ phần ẩn sang phần hiện thông qua chiều thứ năm, minh họa cách thức trường vô hướng nhận được khối lượng (rất nhỏ).
(2)Mỗi brane(3 + 1)chiều tương đương với một không gian Minkowxki thông thường gồm ba chiều không gian và một chiều thời gian.
Do trong thực nghiêm, chúng ta chỉ quan sát thấy không-thời gian bốn chiều nên chiều thứ năm này nếu tồn tại cần phải bị compact hóa sao cho kích thước còn lại rất nhỏ đến mức các máy gia tốc hiện tại chưa thể tiếp cận đến vật lý ở thang này được. Trong cơ chế này, chiều thứ năm của không-thời gian bị compact hóa trên S1/Z2 orbifold.
Cơ chế này dẫn đến phổ khối lượng cho các hạt siêu đồng hành ở thang compact hóa Mc như sau: gaugino nhận được các khối lượng ở mức cây nhờ tương tác trực tiếp với nguồn phá vỡ siêu đối xứng, tất cả các khối lượng mềm khác (và cả các hằng số tương tác vô hướng bậc ba) đều bị hạn chế ở những giá trị rất nhỏ (có thể bỏ qua được) do sự ngăn cách về không gian giữa các brane và/hoặc bởi thừa số vòng. Vì thế, sau khi đã tích phân các động lực học nhiều chiều ở thang compact hóaMc =L−1, chúng ta nhận được mô hình hiệu dụng MSSM chỉ với các số hạng mềm là khối lượng gaugino. Điều này giúp giảm đáng kể số lượng các tham số đầu vào và do đó làm tăng tính dự đoán của mô hình.