⚛️ phenomenology

\textsc{RooAgent}: An LLM Agent for \textsc{Root}-Based High Energy Physics Analysis

تقدم الورقة البحثية \textsc{RooAgent}، وهي واجهة لغة طبيعية تمكّن النماذج اللغوية الكبيرة من أداء مهام تحليل بيانات فيزياء الطاقة العالية المعقدة باستخدام أدوات \textsc{PyRoot} عبر نماذج خلفية متعددة من النماذج اللغوية الكبيرة، وهو ما تم إثباته من خلال سير عمل مختلف للإشارة والخلفية وتطبيقات على بيانات ATLAS المفتوحة.

المؤلفون الأصليون: Aman Desai

نُشر 2026-05-19

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Aman Desai

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 أن لديك مكتبة ضخمة ومعقدة للغاية من البيانات العلمية. في عالم فيزياء الجسيمات، تُسمى هذه المكتبة Root، وهي تحتوي على "إيصالات" مليارات من تصادمات الجسيمات. لكي تجد معلومة محددة — مثل نوع معين من الجسيمات أو نمط في البيانات — ستحتاج عادةً إلى أن تكون أمين مكتبة يتحدث لغة تقنية صعبة للغاية (لغة البرمجة). إذا لم تكن تعرف الكود الدقيق، فلن تتمكن من استعارة الكتاب.

RooAgent يشبه توظيف مساعد أمين مكتبة فائق الذكاء، متعدد اللغات، يتحدث لغتك (اللغة الإنجليزية البسيطة) ويعرف الشفرة السرية للمكتبة تماماً.

إليك كيف يعمل، مقسماً إلى مفاهيم بسيطة:

1. المشكلة: حاجز "اللغة الأجنبية"

يستخدم فيزيائيّو الطاقة العالية أداة تسمى PyRoot لتحليل البيانات. إنها أداة قوية، لكنها تشبه محاولة طلب وجبة معقدة في مطعم حيث القائمة مكتوبة بلغة لا تتحدثها. يجب عليك معرفة الصيغة (syntax) الدقيقة لتطلب "رسمًا بيانيًا لعزم الإلكترون" أو "عد الأحداث حيث تكون النفاثات (jets) ثقيلة". إذا ارتكبت خطأً مطبعياً أو استخدمت كلمة خاطئة، سيقول لك الكمبيوتر ببساطة: "خطأ" (Error).

2. الحل: وكيل "المترجم"

يعمل RooAgent كمترجم. لست بحاجة لتعلم الكود؛ ما عليك سوى إخبار الوكيل بما تريده باللغة الإنجليزية البسيطة، مثل:

"أظهر لي رسماً بيانياً لكتلة الكواركات القاعية (bottom quarks)."
"احسب عدد الأحداث التي تحدث إذا نظرت فقط إلى الجسيمات التي تتحرك بسرعة أكبر من 50 جيجا إلكترون فولت (GeV)."
"جد أفضل قطع (cut) لفصل الإشارة عن ضجيج الخلفية."

الوكيل (المدعوم بنموذج لغوي كبير، أو LLM) يستمع لطلبك، ويترجمه إلى الأوامر التقنية الصحيحة، وينفذ التحليل، ثم يسلمك النتيجة — وعادة ما تكون رسماً بيانياً، أو جدولاً من الأرقام، أو ملخصاً.

3. كيف يعمل: "صندوق الأدوات"

فكر في الوكيل كعامل بناء لديه صندوق أدوات محدد. يصف البحث طريقتين يمكن من خلالهما استئجار هذا العامل:

وضع LangGraph: يستخدم العامل "رئيساً للعمال" (LangGraph) لإدارة فريق من نماذج الذكاء الاصطناعي (مثل GPT-4.1 أو DeepSeek-V3). يقوم الرئيس بتفكيك طلبك الكبير إلى خطوات صغيرة، ويسأل الذكاء الاصطناعي لاختيار الأداة المناسبة، ثم ينفذها.
وضع MCP: يتحدث العامل مباشرة إلى "رئيس" ذكاء اصطناعي آخر (Claude من Anthropic) باستخدام بروتوكول قياسي (Model Context Protocol).

في كلتا الحالتين، "الأدوات" الموجودة في صندوق الأدوات هي وظائف حاسوبية مكتوبة مسبقاً تقوم بالعمل الشاق:

الفحص (Inspecting): النظر داخل ملفات البيانات لمعرفة ما تحتويه.
العد (Counting): إحصاء عدد الأحداث التي تمر بقاعدة معينة.
الرسم البياني (Plotting): رسم الرسوم البيانية والمخططات.
الملاءمة (Fitting): رسم منحنى سلس عبر نقاط البيانات لرؤية الشكل.
الحساب (Calculating): إجراء العمليات الحسابية لمعرفة ما إذا كان الاكتشاف ذا دلالة إحصائية.

4. "تجربة القيادة"

اختبر المؤلفون هذا المساعد عبر عدة سيناريوهات لمعرفة ما إذا كان بإمكانه التعامل مع المهمة:

محاكاة "ZH": قاموا بمحاكاة تصادم جسيمات محدد (بوزون Z وبوزون هيجز). نجح الوكيل في العثور على الملفات، ورسم الرسوم البيانية، وعد الأحداث، وحتى إيجاد "النقطة المثالية" (أفضل قطع) لفصل الإشارة عن ضجيج الخلفية.
تحدي "تعدد المهام": أعطوا الوكيل تعليمات واحدة طويلة ومعقدة للقيام بستة أشياء مختلفة في وقت واحد (ملاءمة منحنى، صنع مخططات مقارنة، إجراء تدفق للقطع (cut-flow)، تحسين القطوع، مسح نوافذ الكتلة، وترتيب النتائج). قام الوكيل بجميع الخطوات الست بالتتابع دون الحاجة لمساعدة بشرية.
الاختبار الإحصائي "اللعبة" (Toy Test): أنشأوا مجموعة بيانات وهمية تحتوي على إشارة مخفية. نجح الوكيل في مسح قيم كتلة مختلفة، ووجد الإشارة المخفية عند الموقع الصحيح (250 جيجا إلكترون فولت)، وحسب الاحتمالية بأن الأمر ليس مجرد صدفة.
اختبار "العالم الحقيقي": استخدموا بيانات حقيقية عامة من تجربة ATLAS في سيرن (مصادم الهادرونات الكبير). نجح الوكيل في تحليل بيانات هيجز التي تتحلل إلى أربعة لبتونات (leptons)، منتجاً رسماً بيانياً مكدساً يطابق ما ينتجه الخبراء البشر.

5. النتيجة

يزعم البحث أن RooAgent يعمل. لقد نجح في تحويل الأسئلة باللغة الإنجليزية البسيطة إلى إجابات فيزيائية معقدة.

تعامل مع 19 من أصل 20 اختباراً للمهام الفردية بشكل صحيح.
أكمل سير عمل متعدد المهام مكون من 6 خطوات دون توقف.
أنتج نفس النتائج الرقمية سواء كان يستخدم GPT-4.1 من OpenAI أو Sonnet 4.6 من Anthropic.

العائق:
الوكيل ليس مثالياً. في أحد الاختبارات، ارتبك لأن المستخدم كتب "Events" (بـ E كبيرة) بدلاً من "events" (بـ e صغيرة) لاسم الملف. توقف الوكيل وسأل عن توضيح بدلاً من التخمين. أيضاً، في بعض الأحيان قد تختار نماذج الذكاء الاصطناعي المختلفة نطاقات مختلفة للرسم البياني (على سبيل المثال، إظهار 0–100 GeV مقابل 0–200 GeV)، لكن الرياضيات الأساسية تظل كما هي.

الملخص

RooAgent هو جسر. إنه يسمح للفيزيائيين (ولباحثين أو طلاب محتملين أيضاً) بالتحدث إلى بياناتهم بلغة بشرية، بينما يتولى الكمبيوتر اللغة التقنية المعقدة المطلوبة لإجراء التحليل فعلياً. هو لا يحل محل فهم الفيزيائي للفيزياء، ولكنه يزيل الحاجز المتمثل في ضرورة حفظ قواعد الكود التقنية المعقدة لإنجاز العمل.

ملخص تقني لـ "RooAgent: وكيل يعتمد على النماذج اللغوية الكبيرة لتحليل فيزياء الطاقة العالية القائم على ROOT"

بيان المشكلة
يعتمد تحليل بيانات فيزياء الطاقة العالية (HEP) بشكل كبير على إطار عمل ROOT وواجهة بايثون الخاصة به، PyROOT، لمهام تتراوح من اختيار الأحداث ورسم المخططات البيانية (histograms) إلى الاستدلال الإحصائي. ومع ذلك، فإن استخدام هذه الأدوات يتطلب معرفة كبيرة باتفاقيات واجهة برمجة التطبيقات (API) المحددة، وهياكل البيانات (مثل فروع TTree)، والتنظيم الداخلي للعينات المدخلة. هذا الحاجز أمام الدخول يمكن أن يعيق المستخدمين الجدد ويجعل المهام الروتينية غير فعالة. وبينما أظهرت النماذج اللغوية الكبيرة (LLMs) قدرة واعدة على أتمتة سير العمل متعدد الخطوات عبر "استدعاء الأدوات" (tool calls)، إلا أن هناك حاجة إلى واجهة متخصصة تربط الأهداف المصاغة باللغة الطبيعية مباشرة باستدعاءات الدوال المطلوبة للتحليل القائم على ROOT.

المنهجية
يقدم المؤلفون RooAgent، وهو حزمة برمجية بلغة بايثون تعمل كواجهة لغة طبيعية للتحليل القائم على ROOT. يقوم النظام بتغليف وظائف PyROOT كأدوات قابلة للتنفيذ لوكيل يعمل بالنماذج اللغوية الكبيرة. تدعم البنية وضعين تشغيليين متميزين، وكلاهما يستخدم تنفيذ PyROOT الأساسي نفسه:

وضع وكيل LangGraph: متوافق مع OpenAI's GPT-4.1 (عبر GitHub Copilot) وDeepSeek-V3 (عبر Ollama). في هذا الوضع، يقوم النموذج اللغوي الكبير بالتفكير في مطالبات المستخدم، واختيار الأدوات، وبناء الحجج، واستدعاء وظائف PyROOT بشكل تكراري حتى يتم تحقيق هدف المستخدم.
وضع بروتوكول سياق النموذج (MCP): مصمم للتكامل مع واجهة سطر أوامر Anthropic Claude (تم اختباره تحديداً مع Sonnet 4.6). يعمل هذا الوضع كخادم MCP، حيث يعمل Claude CLI كنموذج لغوي كبير وطبقة تنسيق في آن واحد، مما يلغي الحاجة إلى تبعيات LangChain أو LangGraph.

مجموعة الأدوات نمطية وتغطي الطيف الكامل لمهام تحليل ROOT الشائعة، بما في ذلك:

الفحص (Inspection): عرض محتويات الملفات، وهياكل TTree، وأنواع بيانات الفروع.
العد والاختيار (Counting & Selection): تطبيق قطع بولية (boolean cuts)، وتوليد تدفقات القطع (cutflows)، وحساب عوائد الأحداث.
المخططات البيانية والإحصاء (Histograms & Statistics): ملء المخططات البيانية من فروع TTree، وحساب التكاملات، والمتوسطات، والانحراف المعياري (RMS)، وحساب الأهمية الإحصائية ( $S/\sqrt{S+B}$ ).
التصور (Visualization): إنشاء مخططات أحادية وثنائية الأبعاد، وتراكب التوزيعات، وتطبيق المقاييس اللوغاريتمية.
الملاءمة (Fitting): إجراء ملاءمة غاوسية (Gaussian)، أو أسية (exponential)، أو متعددة الحدود (polynomial) للتوزيعات.
التحسين (Optimization): مسح عتبات القط (cut thresholds) لتعظيم الأهمية الإحصائية.
التصدير (Export): تحويل فروع TTree إلى ملفات CSV.

تم تصميم النظام ليعمل بالتفكير التكراري، مما يسمح للوكيل باستدعاء الأدوات عدة مرات لتنقيح النتائج أو تصحيح الأخطاء (مثل توضيح أسماء الأشجار أو تعديل نطاقات الرسم).

المساهمات الرئيسية

واجهة موحدة: يوفر RooAgent مجموعة متسقة من أدوات التحليل التي يمكن الوصول إليها عبر اللغة الطبيعية عبر مختلف خلفيات النماذج اللغوية الكبيرة (OpenAI، Ollama، Anthropic) دون الحاجة إلى تغيير كود التحليل الأساسي.
سجل الأدوات (Tool Registry): توفر الحزمة مكتبة شاملة من الوظائف المغلفة بـ PyROOT والمصممة خصيصاً لسير عمل فيزياء الطاقة العالية، بما في ذلك حساب الأهمية، وتوليد تدفق القط، والملاءمة البارامترية.
بنية ثنائية الوضع: من خلال دعم وكيل مستند إلى LangGraph وخادم MCP، توفر الحزمة المرونة للمستخدمين الذين يفضلون أنظمة النماذج اللغوية الكبيرة وطرق النشر المختلفة (محلي مقابل سحابي).

النتائج
قيم المؤلفون RooAgent باستخدام محاكاة مونت كارلو لعمليات $pp \to ZH$ ( $Z \to \ell^+\ell^-, H \to b\bar{b}$ ) والعمليات الخلفية (background processes)، وكذلك بيانات ATLAS المفتوحة لقناة $H \to ZZ^* \to 4\ell$ .

أداء الاختبار المعياري: في سلسلة من 20 اختباراً للمهام الفردية، نجح الوكيل في إنتاج نتائج لـ 19 مهمة. شملت المهام فحص الملفات، ورسم المخططات البيانية، وعد الأحداث، وتحديد المتغيرات، والملاءمة الغاوسية، ومسح الأهمية. حدث فشل واحد بسبب مشكلة في حالة الأحرف (case-sensitivity) عند البحث عن اسم الشجرة، وقد حددها الوكيل بشكل صحيح وطلب توضيحاً بدلاً من تقديم نتيجة خاطئة.
سير العمل متعدد المهام: تم تنفيذ مطالبة معقدة تتطلب ست مهام متتالية (الملاءمة، المقارنات الكينماتيكية، توليد تدفق القط، تحسين القط، مسح نافذة الكتلة، وتصنيف القط) بنجاح في حوالي 225 ثانية دون تدخل بشري.
التحليل الإحصائي: في تحليل إحصائي تجريبي يتضمن شبكة من فرضيات الكتلة، قام الوكيل بمطابقة المخططات البيانية بشكل صحيح، وحسب الأهمية الملحوظة والمتوقعة، وقيم p-values، وقيم $CL_s$ ، وحدد كتلة الإشارة المحقونة (250 GeV) كأقوى مرشح.
تطبيق البيانات المفتوحة: عند تطبيقه على بيانات ATLAS المفتوحة، نجح الوكيل في معالجة ملفات ROOT متعددة، وتطبيق قطع اختيار الليبتونات المتتالية، وتوليد تدفقات القط، وإنتاج مخطط مكدس للإشارة والخلفية متراكب مع البيانات. كانت النتائج متسقة عبر GPT-4.1 وSonnet 4.6.
اختلاف النماذج: تشير الورقة إلى أنه بينما تظل المنطق الأساسي ثابتاً، قد تتخذ النماذج اللغوية الكبيرة المختلفة (مثل GPT-4.1 مقابل DeepSeek-V3) خيارات مختلفة فيما يتعلق بنطاقات الرسم أو التطبيع (normalization) عندما لا تكون مقيدة صراحة، مما يسلط الضوة على أهمية دقة المطالبات (prompts).

الأهمية
تزعم الورقة أن RooAgent ينجح في سد الفجوة بين المطالبات باللغة العادية والمتطلبات التقنية للتحليل القائم على ROOT في فيزياء الطاقة العالية. ومن خلال أتمتة اختيار الأدوات والحجج، تعمل المنظومة على تبسيط المهام الروتينية وخفض حاجز الدخول للمستخدمين غير الملمين بتفاصيل واجهة برمجة تطبيقات ROOT. يضع المؤلفون هذا العمل كخطوة نحو تحليل بيانات أكثر سهولة في فيزياء الطاقة العالية، موضحين أن وكلاء النماذج اللغوية الكبيرة يمكنهم بفعالية تنسيق سير عمل معقد متعدد الخطوات يشمل فحص الملفات، والاستدلال الإحصائي، والتصور. وتعتبر الحزمة نمطية، مما يسمح بتوسعات مستقبلية مثل دمج خوارزميات التعلم الآلي كأدوات قابلة للاستدعاء أو تحديد متغيرات اختيار الأحداث المثلى.