Agentic Diagrammatica: Towards Autonomous Symbolic Computation in High Energy Physics

Die Arbeit stellt Diagrammatica vor, eine Erweiterung des HEPTAPOD-Frameworks für High-Energy-Physics, die autonome LLM-Agenten durch tool-basierte, konventionsfixierte Symbolberechnungen befähigt, um komplexe theoretische Aufgaben wie Feynman-Diagramm-Analysen und Zerfallsraten-Schätzungen zuverlässig zu automatisieren.

Das Wesentliche

🎻 Das Orchester der Naturgesetze: Wie KI endlich die Sprache der Physik spricht

Stellen Sie sich vor, das Universum ist ein riesiges, komplexes Orchester. Die Teilchenphysiker sind die Dirigenten, die versuchen, die Partitur (die mathematischen Formeln) zu lesen, um vorherzusagen, welche Musik (welche Teilchen) bei einem bestimmten Konzert (einem Experiment) gespielt wird.

Bisher mussten diese Dirigenten jede einzelne Note selbst aufschreiben. Das war mühsam, fehleranfällig und erforderte jahrelanges Studium. Wenn ein Fehler in der Partitur stand, klang das ganze Konzert falsch, und niemand merkte es sofort.

Jetzt kommt Diagrammatica ins Spiel. Es ist wie ein super-intelligentes Assistenten-Orchester, das einem menschlichen Dirigenten hilft, die Partitur zu schreiben und das Konzert zu leiten. Aber es gibt einen wichtigen Unterschied zu anderen KI-Tools: Es schreibt nicht einfach wild drauflos.

🛑 Das Problem: Die „stille" Gefahr

Wenn man einer normalen KI sagt: „Berechne mir, wie ein Teilchen zerfällt", antwortet sie oft mit einem langen Text voller Formeln. Das Problem? Die KI ist wie ein Schüler, der die Grammatik der Physik (die Mathematik) auswendig gelernt hat, aber nicht immer weiß, welche Regeln in welchem Kontext gelten. Sie könnte eine Formel schreiben, die plausibel aussieht, aber mathematisch falsch ist. Wie ein Musikstück, das sich gut anhört, aber in der falschen Tonart steht. Man merkt den Fehler erst, wenn man es selbst nachrechnet – und das ist mühsam.

🛠️ Die Lösung: Der „Bauplan"-Ansatz

Diagrammatica löst dieses Problem, indem es der KI die Freiheit nimmt, wild zu schreiben. Stattdessen zwingt es die KI, einen strengen Bauplan (ein Diagramm) auszufüllen.

Stellen Sie sich vor, Sie wollen ein Haus bauen.

• Der alte Weg: Sie sagen dem Bauarbeiter (der KI): „Bau mir ein Haus." Der Bauarbeiter beginnt, Wände zu mauern, aber er vergisst vielleicht, dass das Fundament nicht tief genug ist, oder er benutzt den falschen Zement.
• Der Diagrammatica-Weg: Sie geben dem Bauarbeiter ein Formular. Auf dem Formular gibt es nur festgelegte Kästchen: „Welche Art von Dach?", „Wie viele Fenster?", „Welches Material?". Der Bauarbeiter darf keine eigenen Ideen entwickeln, er muss nur die Kästchen ausfüllen. Sobald das Formular korrekt ist, übernimmt ein automatischer Roboter-Baumeister (ein vertrauenswürdiges Computerprogramm), der das Haus exakt nach diesen Spezifikationen baut.

Das Formular ist die „Diagrammspezifikation". Die KI muss nur entscheiden, was in die Kästchen kommt (z. B. „Teilchen A trifft auf Teilchen B"). Die komplizierte Mathematik, die das Haus (das Ergebnis) berechnet, übernimmt der Roboter. So kann die KI keinen „stille" Fehler machen, weil sie gar nicht die Möglichkeit hat, falsche Zementmischungen zu wählen.

🚀 Zwei Werkzeuge für zwei Zwecke

Das System hat zwei verschiedene Werkzeuge, je nachdem, wie genau man sein muss:

1. Der Schätzer (NDA): Das ist wie ein erfahrener Architekt, der einen Blick auf den Bauplan wirft und sagt: „Das wird ungefähr so groß sein und so viel kosten." Er braucht keine exakten Berechnungen, sondern gibt eine schnelle, grobe Einschätzung. Das ist super, um zu prüfen, ob sich ein Projekt überhaupt lohnt.
2. Der Präzisions-Rechner (EDA): Das ist wie ein hochpräziser 3D-Drucker. Er nimmt den gleichen Bauplan und baut das Haus bis auf den letzten Zentimeter exakt nach Formel. Er liefert die perfekte mathematische Lösung.

Die KI kann beides nutzen: Erst den Schätzer, um eine Idee zu testen, und dann den Präzisions-Rechner, um das Endergebnis zu sichern.

🧪 Was hat die KI bisher geschafft?

Die Forscher haben ihre KI an zwei großen Aufgaben getestet, um zu zeigen, dass sie funktioniert:

• Aufgabe 1: Der große Katalog. Die KI sollte alle möglichen Arten berechnen, wie ein Teilchen in zwei andere zerfallen kann. Das sind hunderte von Kombinationen. Die KI hat das in einer einzigen Sitzung erledigt, ohne menschliche Hilfe, und lieferte eine perfekte Liste von Formeln, die mit den bekannten physikalischen Gesetzen übereinstimmten. Sie hat sogar Muster entdeckt, die Menschen oft übersehen.
• Aufgabe 2: Das Zählen der Teilchen. Hier ging es um einen speziellen Zerfall, bei dem viele Elektronen-Paare entstehen. Die Anzahl der möglichen Wege, wie das passieren kann, explodiert förmlich (wie bei einem Domino-Effekt). Die KI hat über 150.000 verschiedene Wege (Diagramme) gezählt, abgeschätzt, wie wahrscheinlich sie sind, und herausgefunden, bis zu welcher Komplexität Experimente in Zukunft noch etwas messen können.

💡 Warum ist das wichtig?

Früher mussten Physiker stundenlang Formeln aufschreiben und hoffen, dass sie keine Vorzeichen vertauscht haben. Mit Diagrammatica wird die KI zum verlässlichen Assistenten. Sie ist nicht der Genie-Physiker, der die neuen Gesetze erfindet, sondern der perfekte Handwerker, der die Berechnungen fehlerfrei ausführt.

Die große Metapher:
Stellen Sie sich vor, Sie sind ein Komponist. Früher mussten Sie jeden einzelnen Takt selbst aufschreiben. Wenn Sie müde waren, machten Sie Fehler. Mit Diagrammatica geben Sie nur die groben Akkorde vor (den Bauplan), und das System spielt die komplette, fehlerfreie Symphonie für Sie. Sie können sich darauf konzentrieren, was die Musik bedeuten soll, anstatt sich Sorgen zu machen, ob die Noten richtig notiert sind.

Das ist die Zukunft der Teilchenphysik: Menschen und KI arbeiten Hand in Hand, wobei die KI die schwere mathematische Arbeit übernimmt, damit die Menschen die großen Entdeckungen machen können.

Technische Zusammenfassung

1. Problemstellung

Die symbolische Berechnung in der Hochenergiephysik (HEP) ist traditionell ein manueller, mehrstufiger Prozess, der tiefes Fachwissen sowohl in der Physik als auch in der Bedienung komplexer Computer-Algebra-Systeme (CAS) wie FeynCalc, FORM oder Mathematica erfordert.
Das Hauptproblem bei der Anwendung von Large Language Models (LLMs) auf diese Aufgabe liegt nicht in der Rechenfähigkeit, sondern in der Zuverlässigkeit.

• Implizite Konventionen: Die Korrektheit symbolischer Berechnungen hängt von impliziten mathematischen Konventionen ab (z. B. Metrik-Signatur, Spinor-Normierung, Vorzeichen von kovarianten Ableitungen, Eichfixierung), die nicht in der Syntax des CAS-Backends codiert sind.
• Silent Errors: Ein LLM, das freien Code generiert, neigt dazu, plausible, aber falsch berechnete Ergebnisse zu produzieren (z. B. durch falsche Vorzeichen oder verpasste Terme), die ohne manuelle Überprüfung schwer zu erkennen sind.
• Entropie der Aktion: Die Unsicherheit (Entropie) bei der Generierung von Token für kritische physikalische Entscheidungen ist hoch, da das Training auf inkonsistenten Konventionen in der Literatur basiert.

2. Methodik und Architektur

Die Autoren stellen Diagrammatica vor, eine Erweiterung des HEPTAPOD-Agentic-Frameworks. Das Kernkonzept ist der Übergang von der freien Code-Generierung zu tool-konstrainter Berechnung (tool-constrained computation).

A. Entropie-Decomposition und Lösungsansatz

Die Unsicherheit der Agenten-Aktionen wird in drei Komponenten zerlegt:

1. Aufgabenunsicherheit ($\Delta_T$): Gelöst durch klare Eingabe.
2. Kontextunsicherheit ($\Delta_C$): Gelöst durch gezielte Wissensvermittlung (Knowledge Grounding) statt bulk-Loading.
3. Ausführungsunsicherheit ($\Delta_E$): Dies ist das Hauptproblem. Die Lösung ist die Einschränkung des Aktionsraums durch Schema-validierte Tool-Aufrufe. Anstatt den Agenten den Code schreiben zu lassen, spezifiziert er nur physikalisch sinnvolle Parameter (z. B. Vertex-Typ, Spins, Massen), und ein vertrauenswürdiges Backend führt die Algebra exakt aus.

B. Zentrale Architekturkomponenten

1. LLM-kompatible Diagrammspezifikation:

   • Ein einheitliches JSON-Format, das als „Single Source of Truth" dient.
   • Es definiert Initial- und Finalzustände, Vertizes (mit einem enumerierten Vokabular von 20 Lorentz-Strukturen) und Propagatoren.
   • Es gibt zwei Modi: Numerisch (NDA) für schnelle Schätzungen und Symbolisch (EDA) für analytische Formeln.

2. Zwei Berechnungspfade (Multi-Fidelity):

   • NDA (Naive Dimensional Analysis): Liefert Größenordnungs-Schätzungen für Zerfallsbreiten und Wirkungsquerschnitte basierend auf Dimensionsanalyse, Phasenraumvolumen und Kopplungs-Power-Counting. Funktioniert für beliebige Endzustands-Multiplizitäten.
   • EDA (Exact Diagrammatic Analysis): Generiert automatisch vollständige FeynCalc-Skripte aus der Diagrammspezifikation, führt sie aus und gibt symbolische Ergebnisse, LaTeX-Formeln und Python-Funktionen zurück. Aktuell auf Baum-Niveau (tree-level) für $1 \to 2$ Zerfälle und $2 \to 2$ Streuungen beschränkt.

3. Diagramm-Enumeration (FeynGraph):

   • Ein in Rust geschriebener Enumerations-Engine, der alle topologisch verschiedenen Diagramme für einen Prozess aufzählt und nach physikalischer Wichtigkeit (Anzahl schwerer Propagatoren) sortiert.

4. Theorie-Wissensbasis:

   • Ein navigierbarer Graph („Skills Graph") mit 25 verknüpften Dokumenten (Feynman-Regeln, Spur-Identitäten, etc.), der dem Agenten gezielt Wissen zum Zeitpunkt der Entscheidung liefert, um den Kontext-Umfang klein zu halten.

3. Schlüsselbeiträge

• Paradigmenwechsel: Statt LLMs als Code-Generatoren zu nutzen, werden sie als Planer für strukturierte Tool-Aufrufe eingesetzt. Dies verschiebt die Verantwortung für die mathematische Korrektheit von der Modellintelligenz auf das Interface-Design.
• Verifizierbarkeit: Durch die Komprimierung der Agenten-Entscheidungen in wenige, überprüfbare JSON-Felder wird die menschliche Auditierbarkeit massiv erhöht (im Vergleich zur Prüfung von hundert Seiten generiertem Code).
• Hybrider Workflow: Die Kombination aus schneller NDA-Schätzung zur Orientierung und präziser EDA-Berechnung für Validierung spiegelt den natürlichen Arbeitsablauf von Phenomenologen wider.
• Öffentliche Reproduzierbarkeit: Die Autoren bieten vollständige Transkripte, System-Prompts und Daten für zwei Benchmark-Aufgaben an, die als Testfälle für andere Agenten-Plattformen dienen.

4. Ergebnisse (Benchmarks)

Die Architektur wurde an zwei autonomen Aufgaben validiert, die ohne menschliches Eingreifen von einem LLM-Agenten (Claude Opus 4.6) gelöst wurden:

Aufgabe 1: Exhaustiver Katalog von $1 \to 2$ Zerfallsbreiten

• Ziel: Berechnung aller baum-level, ein-vertex Zerfälle für skalare, fermionische und vektorielle Elternpartikel.
• Ergebnis: Der Agent generierte 19 unabhängige Formeln über 6 Vertex-Familien.
• Validierung: Die Ergebnisse wurden gegen bekannte Standardmodell-Werte (z. B. $H \to b\bar{b}$, $Z \to e^+e^-$) verglichen und zeigten eine Übereinstimmung im Bereich von 2–4 % (erwartet für Baum-Niveau). Zudem wurden chirale Konsistenzchecks und NDA-Überprüfungen durchgeführt.
• Physikalische Einsichten: Der Agent identifizierte autonom physikalische Muster, wie die Unterscheidung zwischen S-Wellen ($\beta^1$) und P-Wellen ($\beta^3$) Zerfällen an der kinematischen Schwelle sowie die Rolle der longitudinalen Polarisation bei massiven Vektorbosonen.

Aufgabe 2: Empfindlichkeitsstudie zum Myon-Zerfall $\mu \to \nu_\mu \bar{\nu}_e + n(e^+e^-) + e^-$

• Ziel: Bestimmung der maximalen beobachtbaren Multiplizität $n$ von $e^+e^-$-Paaren in Myon-Zerfällen für aktuelle und geplante Experimente (Mu3e, HiMB).
• Ergebnis: Der Agent enumerierte über 150.000 Diagramme für $n=0$ bis $n=3$.
• Validierung: NDA-Schätzungen wurden mit exakten MadGraph-Berechnungen verglichen. Die Übereinstimmung war gut (Faktor 0.5 bis 4), wobei NDA bei höheren Multiplizitäten die destruktive Quanteninterferenz unterschätzte.
• Erkenntnis: Der Agent bestimmte, dass $n=3$ (7 geladene Spuren) mit Mu3e Phase I beobachtbar sein könnte, während $n=4$ die aktuelle experimentelle Grenze darstellt.

5. Bedeutung und Ausblick

Das Papier demonstriert, dass zuverlässige autonome symbolische Berechnung in der Physik möglich ist, wenn der Fokus auf der Strukturierung des Aktionsraums liegt und nicht auf der reinen Sprachmodell-Kapazität.

• Zuverlässigkeit: Durch das „Fixieren" von Konventionen im Tool-Design werden ganze Klassen von Stille-Fehlern eliminiert.
• Interpretierbarkeit: Die Entscheidungen des Agenten sind für Experten sofort nachvollziehbar.
• Zukunft: Die Architektur bildet die Grundlage für zukünftige Systeme, die symbolische Theorie, Monte-Carlo-Simulationen (z. B. MadGraph) und Datenanalyse in einem einzigen agenticen Workflow verbinden. Erweiterungen könnten Schleifenberechnungen, Flavor-Matrizen und die Integration von BSM-Modellen (Beyond Standard Model) umfassen.

Zusammenfassend bietet Diagrammatica einen Bauplan für zuverlässige KI-gestützte Forschung in der Hochenergiephysik, der die Grenzen menschlicher und maschineller Fähigkeiten erweitert, ohne die wissenschaftliche Integrität zu gefährden.