⚛️ phenomenology

Agentic Diagrammatica: Towards Autonomous Symbolic Computation in High Energy Physics

تقدم هذه الورقة Diagrammatica، وهو إطار عمل وكيل مقيد بالأدوات يُمكّن النماذج اللغوية الكبيرة من إجراء حسابات رمزية متعددة الخطوات وموثوقة في فيزياء الطاقات العالية عبر توليد مواصفات مخططات قابلة للتدقيق لجهات خلفية موثوقة لتنفيذ حسابات وتقديرات دقيقة.

المؤلفون الأصليون: Tony Menzo, Alexander Roman, George T. Fleming, Sergei Gleyzer, Konstantin T. Matchev, Stephen Mrenna

نُشر 2026-03-31

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Tony Menzo, Alexander Roman, George T. Fleming, Sergei Gleyzer, Konstantin T. Matchev, Stephen Mrenna

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول بناء آلة معقدة، مثل صاروخ، ولكن بدلاً من مهندس بشري، قمت بتعيين روبوت عبقري فائق السرعة قد قرأ كل كتاب في المكتبة. هذا الروبوت (الوكيل الذكي - AI Agent) بارع في التخطيط والتحدث، ولكنه عندما يتعلق الأمر بالقيام بالعمليات الحسابية الفعلية لضمان عدم انفجار الصاروخ، لديه عادة سيئة وهي ارتكاب "أخطاء صامتة". قد ينسى إشارة سالبة، أو يخلط بين وحدات القياس، أو يستخدم قاعدة تعمل في كتاب مدرسي واحد ولا تعمل في آخر. في الفيزياء، هذه الأخطاء الصغيرة يمكن أن تؤدي إلى توقعات خاطئة تماماً.

تقدم هذه الورقة البحثية Diagrammatica، وهي بمثابة "حزام أمان" و"حقيبة أدوات" مصممة لمساعدة هذا الروبوت الذكي على إجراء حسابات فيزيائية عالية المستوى دون أن يتحطم.

إليك تفصيل الموضوع باستخدام تشبيهات بسيطة:

1. المشكلة: الروبوت "الذكي والمتقلب"

يشرح المؤلفون أن النماذج اللغوية الكبيرة (LLMs) تشبه الممثلين الارتجاليين البارعين. يمكنهم كتابة سيناريو، وتمثيل مشهد، والظهور بمظهر مقنع للغاية. ولكن إذا طلبت منهم حل مسألة رياضية طويلة ومتعددة الخطوات (مثل حساب اضمحلال جسيم ما)، فإنهم يميلون إلى "تخيل" القواعد (Hallucination).

المشكلة: تعتمد الفيزياء على قواعد صارمة وخفية (اصطلاحات). على سبيل المثال، هل رقم معين موجب أم سالب؟ هل يدور جسيم ما في اتجاه عقارب الساعة أم عكسها؟ قد يصيب الذكاء الاصطناعي في الخطوة الأولى، ولكن بحلول الخطوة العاشرة، قد يكون قد نسي القاعدة التي استخدمها في الخطوة الأولى.
النتيجة: ينتج الذكاء الاصطناعي نتيجة تبدو صحيحة وتدعي الذكاء، لكنها في الواقع خاطئة. إن فحص عمله يشبه محاولة العثور على خطأ مطبعي واحد في رواية من 500 صفحة كتبها آلة؛ وهو أمر صعب للغاية.

2. الحل: نظام "المخطط والبنّاء"

بدلاً من ترك الذكاء الاصطناعي يكتب الكود الرياضي من الصفر (وهو ما يشبه مطالبة الممثل ببناء محرك الصاروخ أثناء التمثيل)، تقوم Diagrammatica بتغيير قواعد اللعبة.

يصبح الوكيل هو المهندس المعماري: يُسمى الذكاء الاصطناعي فقط لرسم مخطط (blueprint) يصف ما يريد حسابه. هو يختار من قائمة خيارات صالحة (مثل: "جسيم سلّمي"، "فيرميون"، "بوزون متجه"). لا يمكنه كتابة المعادلات الرياضية بنفسه.
يصبح النظام الخلفي هو البنّاء: بمجرد أن يرسم الذكاء الاصطناعي المخطط، يأخذ برنامج حاسوبي موثوق وصارم (الـ "Builder") ذلك المخطط ويقوم بالعمليات الحسابية الفعلية. هذا البنّاء يعرف القواعد تماماً ولا يرتكب أي خطأ.

التشبيه: تخيل أنك تريد طلب بيتزا مخصصة.

الطريقة القديمة: تقول للطاهي، "اصنع لي بيتزا بها جبن، وببروني، و... ربما بعض الرياضيات بجانبها؟" يحاول الطاهي تخمين الوصفة وقد يحرق العجينة.
طريقة Diagrammatica: تقوم بملء نموذج طلب صارم يحتوي على مربعات اختيار: [ ] جبن، [ ] ببروني، [ ] نوع العجينة. ثم تسلم النموذج للمطبخ. المطبخ (النظام الخلفي الموثوق) يتبع النموذج بدقة. لا يمكنك طلب "رياضيات بجانب البيتزا"، لذا لا يمكنك ارتكاب خطأ.

3. "نكهتان" من الحسابات

توفر مجموعة الأدوات طريقتين للحصول على الإجابة، اعتماداً على مدى الدقة التي تحتاجها:

NDA (تقدير "على ظهر منديل ورقي"): هذا يشبه التخمين السريع. يسأل الذكال الاصطناعي: "تقريباً، ما حجم هذه البيتزا؟" يستخدم النظام قواعد تقريبية لإعطاء إجابة في حدود رتبة المقدار (order-of-magnitude). إنها سريعة وتعمل للبيتزا المعقدة جداً (العمليات) التي يصعب قياسها بدقة.
EDA (الـ "وصفة الدقيقة"): هذا هو وضع الدقة العالية. يقوم النظام بإنشاء الصيغة الرياضية الدقيقة، مثل طاهٍ محترف يقيس كل جرام من الدقيق. ينتج إجابة رمزية مثالية يمكن استخدامها في الأوراق العلمية الحقيقية.

4. "أمين المكتبة"

أحياناً يعلق الذكاء الاصطناعي في قاعدة معينة (مثلاً: "أي إشارة أستخدم لهذا الجسيم؟"). بدلاً من إلقاء كتاب كامل في عقل الذكاء الاصطناعي (مما يجعله مشتتاً)، تمتلك Diagrammatica أميناً للمكتبة.

عندما يسأل الذكاء الاصطناعي سؤالاً محدداً، يسلمه الأمين الصفحة الوحيدة التي يحتاجها، في تلك اللحظة تحديداً. هذا يبقي الذكاء الاصطناعي مركزاً ويمنعه من الارتباك بسبب كثرة المعلومات.

5. الإثبات: اختباران كبيران

اختبر المؤلفون هذا النظام بتحديين ضخمين لإثبات نجاحه:

الاختبار الأول: موسوعة الاضمحلالات. طلبوا من الذكاء الاصطناعي حساب معدلات الاضمحلال لكل توليفة ممكنة من الجسيمات (مثل انقسام جسيم أب إلى طفلين) عبر النموذج القياسي بأكل.
- النتيجة: نجح الذكاء الاصطناعي في إنشاء 19 صيغة معقدة مختلفة، وتحقق منها مقابل بيانات واقعية معروفة، بل ووجد أنماطاً مثيرة للاهتمام في الفيزياء. فعل ذلك دون أن يلمس البشر لوحة المفاتيح.
الاختبار الثاني: تحدي تعدد الميونات. طلبوا من الذكاء الاصطناعي معرفة عدد أزواج الإلكترونات والبوزيترونات التي يمكن للميون (قريب ثقيل للإلكترون) أن يطلقها قبل أن يصبح الحدث نادراً جداً بحيث لا يمكن رؤيته في التجارب المستقبلية.
- النتيجة: كان على الذكاء الاصطناعي فحص 150,000 مخطط مختلف. استخدم طريقة "على ظهر منديل ورقي" لاستبعاد المستحيلات بسرعة، وطريقة "الوصفة الدقيقة" لتأكيد الأكثر احتمالاً. لقد نجح في رسم حدود التجارب المستقبلية.

لماذا هذا مهم؟

هذه الورقة هي مخطط لمستقبل الاكتشاف العلمي. فهي تظهر أننا لا نحتاج إلى استبدال العلماء البشر بالذكاء الاصطناعي أو أن يكون الذكاء الاصطناعي مثالياً في الرياضيات بمفرده. بدلاً من ذلك، يمكننا بناء مساعدين ذكيين مقيدين بقواعد سلامة.

من خلال إجبار الذكاء الاصطناعي على استخدام "مربعات الاختيار" و"المخططات" بدلاً من الكتابة الحرة، نحصل على سرعة وإبداع الذكاء الاصطناعي، مع دقة الحاسوب التقليدي بنسبة 100%. إنه يشبه إعطاء سيارة سباق فائقة السرعة نظام GPS وقفص أمان: يمكنها الذهاب أسرع وأبعد من أي وقت مضى، ولكنها لن تصطدم بالمنحدر.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "Diagrammatica الوكيلة: نحو حوسبة رمزية مستقلة في فيزياء الطاقات العالية."

1. بيان المشكلة

تعالج الورقة التحدي الحرج المتمثل في الموثوقية عند استخدام النماذج اللغوية الكبيرة (LLMs) للحوسبة الرمزية في فيزياء الطاقات العالية (HEP). وبينما تمتلك النماذج اللغوية الكبيرة القدرة على توليد الأكواد وإجراء المعالجات الرياضية، إلا أنها تعاني من صعوبة في التعامل مع الاصطلاحات الرياضية الضمنية المطلوبة للحسابات الفيزيائية الدقيقة (مثل توقيعات المترية، وتطبيع السبينورات، واختيارات القياس، واصطلاحات الطور).

العنق الزجاجي: في فيزياء الطاقات العالية، يتطلب الحساب الصحيح عشرات العمليات الرمزية المتسلسلة حيث يجب أن يلتزم كل خطوة بمجموعة متسقة من الاصطلاحات. التوليد ذاتي الانحدار (Autoregressive generation) لا يقدم أي ضمان بأن تظل هذه الاصطلاحات متسقة عبر سير عمل متعدد الخطوات.
المخاطرة: بدون هيكل خارجي، يمكن للنماذج اللغبية الكبيرة إنتاج نتائج "تبدو منطقية ولكنها خاطئة صمتًا" (على سبيل المثال: سقوط حدود، أو أخطاء في الإشارة، أو عدم اتساق في المتطابقات) والتي يصعب تدقيقها لأن الأخطاء ليست انتهاكات للقواعد النحوية (Syntax) بل هي انحرافات دلالية (Semantic) عن القوانين الفيزيائية.
قصور النهج الحالي: تعتمد الأطر الوكيلية الحالية غالبًا على قيام الوكيل بكتابة نصوص برمجية حرة. هذا يضع عبء الصحة الكاملة على قدرة النموذج على استرجاع وتطبيق الاصطلاح الصحيح من سياق طويل، مما يؤدي إلى عدم يقين عالٍ في التنفيذ.

2. المنهجية: بنية Diagrammatica

يقترح المؤلفون Diagrammatica، وهي امتداد للحوسبة الرمزية لإطار العمل الوكيلي HEPTAPOD. الفلسفة الجوهرية هي الحوسبة المقيدة بالأدوات، والتي تنقل مركز الثقل في الموثوقية من القدرات التوليدية للنموذج اللغبي الكبير إلى بنية الأدوات التي يستدعيها.

أ. تفكيك الإنتروبيا والاستراتيجية الهيكلية

يفكك المؤلفون عدم اليقين في توزيع إجراءات الوكيل ( $\Delta_A$ ) إلى ثلاثة مكونات:

عدم يقين المهمة ( $\Delta_T$ ): الغموض في ماذا يجب حسابه.
عدم يقين السياق ( $\Delta_C$ ): تدهور الانتباه/الاسترجاع مع نمو السياق.
عدم يقين التنفيذ ( $\Delta_E$ ): التباين في كيفية إجراء الحساب (أخطاء على مستوى الرموز/Tokens).

الحل:

قيود الأدوات (أساسي): بدلاً من مطالبة النموذج اللغبي بتوليد كود، يتم تقييد مساحة الإجراءات لتكون استدعاءات أدوات تحقق منها المخططات (Schema-validated tool calls). يحدد الوكيل مواصفات مخطط (Diagram specification) مدمجة وقابلة للتدقيق البشري (بصيغة JSON)، ويقوم نظام خلفي موثوق بإجراء الجبر الدقيق. هذا يدفع $\Delta_E \to 0$ بنيويًا عبر القضاء على أنماط الخطأ الصامتة.
تأصيل المعرفة المستهدف (ثانوي): توفر قاعدة معرفة نظرية قابلة للتنقل (رسم بياني للمهارات) اصطلاحات خاصة بالمجال عند الطلب في لحظة اتخاذ قرار حرج، بدلاً من تحميل وثائق ضخمة، مما يقلل من $\Delta_C$ ويقلل جزئيًا من $\Delta_E$ .

ب. المكونات الجوهرية

مواصفات المخطط المشتركة: بنية بيانات JSON موحدة ومتوافقة مع النماذج اللغبية الكبيرة، تُعرف عملية فيزيائية (جسيمات، سبين، كتل، أنواع رؤوس الاتصال/Vertices). وهي تعمل كـ "مصدر وحيد للحقيقة" لجميع مكونات مجموعة الأدوات.
- الوضع العددي (NDA): يستخدم قيمًا عشرية صريحة لتقدير المعدلات الفورية.
- الوضع الرمزي (EDA): يستخدم بارامترات غير محلولة لاشتقاق الصيغ التحليلية العامة.
مساران لحساب الدقة:
- التحليل البعدي الساذج (NDA): يوفر تقديرات لمرتبة المقدار لعرض الاضمحلال والمقاطع العرضية باستخدام التحليل البعدي، وحجوم فضاء الطور، وعدّ القوى (Power counting). لا يتطلب أي برامج خارجية ويتعامل مع حالات نهائية ذات $n$ من الأجسام.
- التحليل المخططي الدقيق (EDA): يولد سكربتات FeynCalc (Mathematica) كاملة ومستقلة بذاتها من مواصفات المخطط. يقوم بإجراء حسابات شجرية (Tree-level) رمزية دقيقة، بما في ذلك آثار ديراك (Dirac traces)، ومجموعات السبين، والتبسيط الكينماتيكي.
تكامل FeynGraph: محرك تعداد آلي (بلغة Rust/Python) يولد جميع المخططات الممكنة طوبولوجيًا لعملية معينة، مع ترتيبها حسب الأهمية الفيزيائية (مثل تثبيط الناقل الثقيل).
قاعدة معرفة النظرية: رسم بياني مهيكل لوثائق نظرية المجال الكمي (قواعد فاينمان، متطابقات الأثر/Trace identities، إلخ) يمكن الوصول إليها عبر أداة LookupTheory لحل حالات الغموض المحددة أثناء التنفيذ.

3. المساهمات الرئيسية

تحول في النموذج المعرفي: ينتقل من "توليد الكود الحر" إلى "استدعاء الأدوات المقيدة بالمخططات"، مما يضمن الصحة من خلال البناء وليس من خلال احتمالية النموذج.
واجهة موحدة: يقدم صيغة مواصفات مخطط واحدة تغذي كلاً من محركات الحساب التقريبية (NDA) والدقيقة (EDA)، مما يسمح بعمليات تحقق متعددة الدقة بسلاسة.
سير عمل مستقل: يثبت أن الوكيل يمكنه التخطيط والتنفيذ والتحقق من حسابات نظرية معقدة متعددة الخطوات دون تدخل بشري، بالاعتماد على أدوات مهيكلة للخطوات الميكانيكية واستدلال حر للاستراتيجية.
مجموعة أدوات مفتوحة المصدر: يطلق الكود الكامل، بما في ذلك الأدوات وقاعدة المعرفة وسجلات الاختبار، ليكون مختبرًا قابلًا لإعادة الإنتاج لمنصات وكيلية أخرى.

4. النتائج والاختبارات المعيارية

تم التحقق من البنية عبر مهمتين مستقلتين باستخدام جلسة واحدة من وكيل Claude Code:

المهمة 1: فهرس شامل لمعدلات اضمحلال $1 \to 2$

الهدف: حساب عروض الاضمحلال الجزئية الرمزية لجميع عمليات $1 \to 2$ ذات الرأس الواحد عند المستوى الشجري عبر عائلات مختلفة من السكالار، الفيرميون، والفيكتور.
التنفيذ: قام الوكيل بتعداد 19 عملية مستقلة عبر 6 عائلات من رؤوس الاتصال. أنتج 19 سكربت FeynCalc، ونفذها، وأجرى عمليات تحقق منهجية.
التحقق:
- التحقق من التماثل الكيرالي (Chiral Cross-checks): تحقق من الاتساق الجبري بين معاملات الفيكتور-أكسيال (Vector-Axial) والكيرال.
- التحقق من النموذج القياسي: قارن النتائج مع عروض PDG الجزئية المعروفة (مثل $H \to b\bar{b}$ ، $Z \to e^+e^-$ ، $t \to Wb$ ). اتفقت النتائج ضمن نطاق 2–4%، وهو ما يتوافق مع توقعات المستوى الشجري.
- التحقق من NDA: أكد أن النتائج الدقيقة تطابق تقديرات مرتبة المقدار من NDA.
النتيجة: نجح الوكيل في اشتقاق 19 صيغة مرجعية جديدة، وتحديد الأنماط الفيزيائية (مثل قوانين القوة عند العتبة، ومميزات CP)، وإنتاج وثيقة مرجعية جاهزة للنشر.

المهمة 2: دراسة حساسية تعددية اضمحلال الميون

الهدف: تحديد أقصى عدد مرصود لأزواج $e^+e^-$ (يُرمز له بـ $n$ ) في اضمحلال $\mu^+ \to \bar{\nu}_\mu \nu_e + n(e^+e^-) + e^+$ في التجارب الحالية والمخطط لها (Mu3e, HiMB).
التنفيذ: استخدم الوكيل FeynGraph لتعداد المخططات من $n=0$ إلى $n=3$ ، مما نتج عنه 150,541 مخطط إجمالي عند المستوى الشجري. استخدم NDA لتقدير نسب التفرع و MadGraph للتحقق الدقيق من الطوبولوجيات المهيمنة.
النتائج:
- التدرج (Scaling): حدد أن الفئة المهيمنة (ناقل $W$ منفرد) تتقلص بسرعة ككسر مع زيادة $n$ ، لكن الطوبولوجيات الثانوية تُثبَّط بمقدار $\sim 10^{-13}$ لكل ناقل ثقيل.
- التداخل (Interference): بالغ NDA (المجموع غير المترابط) في تقدير المعدلات عند $n=2$ بسبب التداخل الهدام، والذي قام MadGraph (المجموع المترابط) بتصحيحه.
- الحدود التجريبية: خلص إلى أن $n=3$ مرصود في مرحلة Mu3e الأولى ( $\sim 250$ حدثًا)، بينما $n=4$ هو الحد الأقصى المطلق للقابلية للرصد، والذي قد يكون متاحًا بواسطة HiMB.
النتيجة: رسم الوكيل خريطة للحدود التجريبية، وتحقق من تدرج NDA مقابل MadGraph، وقدم تحليل حساسية شاملاً.

5. الأهمية

الموثوقية فوق القدرة: تجادل الورقة بأنه بالنسبة للحوسبة العلمية، فإن الموثوقية أكثر أهمية من القدرة التوليدية الخام. من خلال تقييد مساحة الإجراءات بالخيارات ذات المعنى الفيزيائي، يقضي النظام على فئات كاملة من الأخطاء الصامتة بغض النظر عن بيانات تدريب النموذج.
القابلية للتفسير: يتم ضغط القرارات في حقول JSON سهلة القراءة من قبل البشر (مواصفات المخطط) بدلاً من صفحات من الكود المولد، مما يجعل من السهل على الخبراء في المجال تدقيق المنطق الفيزيائي.
القابلية للتوسع: يسمح النهج متعدد الدقة (NDA للفرز، و EDA للدقة) للوكلاء بمعالجة عمليات ذات تعقيد متغير، من الاضمحلالات البسيطة إلى العمليات ذات التعددية العالية حيث يكون التكامل التحليلي الدقيق صعبًا للغاية.
مستقبل الذكاء الاصطناعي في فيزياء الطاقات العالية: يوفر هذا العمل مخططًا لـ الاكتشاف العلمي المستقل، حيث لا يمكن للوكلاء الذكاء الاصطناعيين محاكاة البيانات فحسب، بل يمكنهم أيضًا اشتقاق التنبؤات النظرية، والتحقق منها مقابل الفيزياء المعروفة، واقتراح حدود تجريبية جديدة مع تحكم صارم في الخطأ.

باختصار، تثبت Diagrammatica أنه من خلال تضمين الاصطلاحات النطاقية في واجهة الأداة بدلاً من الاعتماد على استدعاء النموذج اللغبي لها، فمن الممكن بناء وكلاء مستقلين قادرين على إجراء حسابات رمزية معقدة وموثوقة في فيزياء الطاقات العالية.