⚛️ phenomenology

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

Die Arbeit stellt \textsc{RooAgent} vor, eine Schnittstelle in natürlicher Sprache, die große Sprachmodelle befähigt, komplexe Aufgaben der Datenanalyse in der Hochenergiephysik mit \textsc{PyRoot}-Werkzeugen über mehrere LLM-Backends hinweg durchzuführen, was anhand verschiedener Signal-Hintergrund-Workflows und Anwendungen auf ATLAS-Offen-Daten demonstriert wird.

Ursprüngliche Autoren: Aman Desai

Veröffentlicht 2026-05-19

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Aman Desai

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie besitzen eine riesige, unglaublich komplexe Bibliothek wissenschaftlicher Daten. In der Welt der Teilchenphysik heißt diese Bibliothek Root, und sie enthält die „Quittungen" von Milliarden von Teilchenkollisionen. Um eine spezifische Information zu finden – etwa eine bestimmte Teilchenart oder ein Muster in den Daten –, müssen Sie normalerweise ein Bibliothekar sein, der eine sehr schwierige, technische Sprache (Programmcode) spricht. Wenn Sie den exakten Code nicht kennen, können Sie das Buch nicht ausleihen.

RooAgent ist wie die Anstellung eines superintelligenten, mehrsprachigen Bibliotheksassistenten, der Ihre Sprache (einfaches Englisch) spricht und den Geheime-Code der Bibliothek perfekt beherrscht.

So funktioniert es, aufgeteilt in einfache Konzepte:

1. Das Problem: Die „Fremdsprachen"-Barriere

Hochenergiephysiker verwenden ein Werkzeug namens PyRoot, um Daten zu analysieren. Es ist leistungsstark, aber es ist wie der Versuch, in einem Restaurant ein komplexes Gericht zu bestellen, wo die Speisekarte in einer Sprache geschrieben ist, die Sie nicht sprechen. Sie müssen die genaue Syntax kennen, um nach „einem Histogramm des Elektronenimpulses" oder „einer Zählung von Ereignissen, bei denen Jets schwer sind" zu fragen. Wenn Sie einen Tippfehler machen oder das falsche Wort verwenden, sagt der Computer einfach „Error".

2. Die Lösung: Der „Übersetzer"-Agent

RooAgent fungiert als Übersetzer. Sie müssen den Code nicht lernen. Sie sagen dem Agenten einfach in einfachem Englisch, was Sie wollen, wie zum Beispiel:

„Zeigen Sie mir ein Diagramm der Masse der Bottom-Quarks."
„Zählen Sie, wie viele Ereignisse auftreten, wenn ich nur Teilchen betrachte, die sich schneller als 50 GeV bewegen."
„Finden Sie den besten Schnitt, um das Signal vom Hintergrundrauschen zu trennen."

Der Agent (angetrieben durch ein Large Language Model, oder LLM) hört sich Ihre Anfrage an, übersetzt sie in die korrekten technischen Befehle, führt die Analyse durch und gibt Ihnen das Ergebnis zurück – normalerweise ein Diagramm, eine Tabelle mit Zahlen oder eine Zusammenfassung.

3. Wie es funktioniert: Die „Werkzeugkiste"

Stellen Sie sich den Agenten als Bauarbeiter mit einer spezifischen Werkzeugkiste vor. Der Artikel beschreibt zwei Möglichkeiten, wie dieser Arbeiter eingestellt werden kann:

Der LangGraph-Modus: Der Arbeiter nutzt einen „Polier" (LangGraph), um ein Team von KI-Modellen (wie GPT-4.1 oder DeepSeek-V3) zu managen. Der Polier zerlegt Ihre große Anfrage in kleine Schritte, bittet die KI, das richtige Werkzeug auszuwählen, und führt es dann aus.
Der MCP-Modus: Der Arbeiter spricht direkt mit einem anderen KI-Chef (Anthropics Claude) unter Verwendung eines Standardprotokolls (Model Context Protocol).

In beiden Fällen sind die „Werkzeuge" in der Werkzeugkiste vorprogrammierte Computerfunktionen, die die schwere Arbeit erledigen:

Inspektieren: In die Datendateien hineinschauen, um zu sehen, was vorhanden ist.
Zählen: Zusammenzählen, wie viele Ereignisse eine bestimmte Regel erfüllen.
Plotten: Diagramme und Grafiken zeichnen.
Anpassen (Fitting): Eine glatte Kurve durch die Datenpunkte ziehen, um die Form zu erkennen.
Berechnen: Die Mathematik durchführen, um zu prüfen, ob eine Entdeckung statistisch signifikant ist.

4. Die „Probefahrt"

Die Autoren testeten diesen Assistenten mit mehreren Szenarien, um zu sehen, ob er die Aufgabe bewältigen konnte:

Die „ZH"-Simulation: Sie simulierten eine spezifische Teilchenkollision (ein Z-Boson und ein Higgs-Boson). Der Agent fand erfolgreich die Dateien, zeichnete die Diagramme, zählte die Ereignisse und fand sogar den „Sweet Spot" (den besten Schnitt), um das Signal vom Hintergrundrauschen zu trennen.
Die „Multi-Task"-Herausforderung: Sie gaben dem Agenten eine lange, komplexe Anweisung, sechs verschiedene Dinge gleichzeitig zu tun (eine Kurve anpassen, Vergleichsdiagramme erstellen, einen Cut-Flow ausführen, Schnitte optimieren, Massenfenster scannen und Ergebnisse rangieren). Der Agent führte alle sechs Schritte hintereinander aus, ohne menschliche Hilfe zu benötigen.
Der „Toy"-Statistiktest: Sie erstellten einen gefälschten Datensatz mit einem versteckten Signal. Der Agent scannte erfolgreich verschiedene Massewerte, fand das versteckte Signal an der richtigen Stelle (250 GeV) und berechnete die Wahrscheinlichkeit, dass es sich nicht nur um einen Zufall handelte.
Der „Real-World"-Test: Sie verwendeten echte, öffentliche Daten vom ATLAS-Experiment am CERN (Large Hadron Collider). Der Agent analysierte die Daten erfolgreich für ein Higgs-Boson, das in vier Leptonen zerfällt, und erzeugte ein gestapeltes Diagramm, das mit dem übereinstimmte, was menschliche Experten produzieren würden.

5. Das Ergebnis

Der Artikel behauptet, dass RooAgent funktioniert. Es verwandelte erfolgreich Fragen in einfachem Englisch in komplexe physikalische Antworten.

Es bewältigte 19 von 20 Einzel-Aufgaben-Tests korrekt.
Es schloss einen 6-Schritt-Multi-Task-Workflow ohne Unterbrechung ab.
Es erzeugte dieselben numerischen Ergebnisse, egal ob es OpenAIs GPT-4.1 oder Anthropics Sonnet 4.6 verwendete.

Der Haken:
Der Agent ist nicht perfekt. In einem Test geriet er in Verwirrung, weil der Benutzer „Events" (mit großem E) statt „events" (mit kleinem e) für den Dateinamen eingegeben hatte. Der Agent hielt inne und bat um Klärung, anstatt zu raten. Außerdem wählen manchmal verschiedene KI-Modelle leicht unterschiedliche Bereiche für ein Diagramm (z. B. 0–100 GeV vs. 0–200 GeV), aber die Kernmathematik bleibt gleich.

Zusammenfassung

RooAgent ist eine Brücke. Sie ermöglicht es Physikern (und potenziell Studierenden oder neuen Forschern), in menschlicher Sprache mit ihren Daten zu sprechen, während der Computer die komplexe, technische Sprache verarbeitet, die erforderlich ist, um die Analyse tatsächlich durchzuführen. Es ersetzt nicht das physikalische Verständnis des Physikers, aber es beseitigt die Hürde, komplexe Codesyntax auswendig lernen zu müssen, um die Arbeit zu erledigen.

Technische Zusammenfassung von "RooAgent: Ein LLM-Agent für root-basierte Hochenergiephysik-Analysen"

Problemstellung
Die Datenanalyse in der Hochenergiephysik (HEP) stützt sich stark auf das ROOT-Framework und seine Python-Schnittstelle, PyROOT, für Aufgaben von der Ereignisauswahl und Histogrammerstellung bis hin zur statistischen Inferenz. Die Nutzung dieser Werkzeuge erfordert jedoch eine erhebliche Vertrautheit mit spezifischen API-Konventionen, Datenstrukturen (wie TTree-Branches) und der internen Organisation der Eingabestichproben. Diese Einstiegshürde kann neue Benutzer behindern und Routineaufgaben ineffizient machen. Während Large Language Models (LLMs) vielversprechende Ansätze zur Automatisierung mehrstufiger Workflows durch „Tool-Aufrufe" gezeigt haben, besteht ein Bedarf an einer spezialisierten Schnittstelle, die Ziele in natürlicher Sprache direkt auf die für root-basierte Analysen erforderlichen spezifischen Funktionsaufrufe abbildet.

Methodik
Die Autoren stellen RooAgent vor, ein Python-Paket, das als Schnittstelle in natürlicher Sprache für root-basierte Analysen dient. Das System kapselt PyROOT-Funktionen als ausführbare Werkzeuge für einen LLM-Agenten. Die Architektur unterstützt zwei verschiedene Betriebsmodi, die beide dieselbe zugrundeliegende PyROOT-Implementierung nutzen:

LangGraph-Agent-Modus: Kompatibel mit OpenAI's GPT-4.1 (über GitHub Copilot) und DeepSeek-V3 (über Ollama). In diesem Modus leitet der LLM Benutzeranfragen ab, wählt Werkzeuge aus, konstruiert Argumente und ruft iterativ PyROOT-Funktionen auf, bis das Ziel des Benutzers erreicht ist.
Model Context Protocol (MCP)-Modus: Entwickelt für die Integration mit der Anthropic Claude CLI (speziell getestet mit Sonnet 4.6). Dieser Modus fungiert als MCP-Server, wobei die Claude CLI sowohl als LLM als auch als Orchestrierungsschicht agiert, wodurch die Notwendigkeit von LangChain- oder LangGraph-Abhängigkeiten entfällt.

Der Werkzeugkasten ist modular und deckt das gesamte Spektrum gängiger ROOT-Analyseaufgaben ab, einschließlich:

Inspektion: Auflisten von Dateiinhalten, TTree-Strukturen und Branch-Datentypen.
Zählen und Auswahl: Anwenden boolescher Schnitte, Generieren von Cutflows und Berechnen von Ereignisausbeuten.
Histogramme und Statistik: Auffüllen von Histogrammen aus TTree-Branches, Berechnen von Integralen, Mittelwerten und RMS sowie Berechnen der Signifikanz ( $S/\sqrt{S+B}$ ).
Visualisierung: Erstellen von 1D- und 2D-Diagrammen, Überlagern von Verteilungen und Anwenden von Logarithmusskalen.
Fitten: Durchführen von Gauß-, Exponential- oder Polynomfits an Verteilungen.
Optimierung: Scannen von Schwellenwerten für Schnitte zur Maximierung der Signifikanz.
Export: Konvertieren von TTree-Branches in CSV-Dateien.

Das System ist für iteratives Schließen konzipiert und ermöglicht dem Agenten, Werkzeuge mehrfach aufzurufen, um Ergebnisse zu verfeinern oder Fehler zu korrigieren (z. B. Klärung von Tree-Namen oder Anpassung von Plot-Bereichen).

Hauptbeiträge

Vereinheitlichte Schnittstelle: RooAgent bietet einen konsistenten Satz von Analysetools, die über natürliche Sprache auf verschiedenen LLM-Backends (OpenAI, Ollama, Anthropic) zugänglich sind, ohne Änderungen am zugrundeliegenden Analysecode zu erfordern.
Werkzeugregister: Das Paket stellt eine umfassende Bibliothek von PyROOT-gekapselten Funktionen bereit, die speziell für HEP-Workflows zugeschnitten sind, einschließlich Signifikanzberechnung, Cutflow-Generierung und parametrischem Fitten.
Dual-Mode-Architektur: Durch die Unterstützung sowohl eines LangGraph-basierten Agents als auch eines MCP-Servers bietet das Paket Flexibilität für Benutzer, die verschiedene LLM-Ökosysteme und Bereitstellungsmethoden (lokal vs. Cloud) bevorzugen.

Ergebnisse
Die Autoren bewerteten RooAgent unter Verwendung von Monte-Carlo-Simulationen von $pp \to ZH$ ( $Z \to \ell^+\ell^-, H \to b\bar{b}$ ) und Hintergrundprozessen sowie ATLAS-Open-Data für den Kanal $H \to ZZ^* \to 4\ell$ .

Benchmark-Leistung: In einer Reihe von 20 Einzeltestaufgaben produzierte der Agent erfolgreich Ergebnisse für 19 Aufgaben. Zu den Aufgaben gehörten Dateinspektion, Histogramm-Plotting, Ereigniszählung, Variablendefinition, Gauß-Fitting und Signifikanz-Scanning. Ein Fehler trat aufgrund eines Problems mit der Groß-/Kleinschreibung bei der Suche nach einem Tree-Namen auf, den der Agent korrekt identifizierte und zur Klärung meldete, anstatt ein falsches Ergebnis zu produzieren.
Multi-Task-Workflow: Ein komplexer Prompt, der sechs sequenzielle Aufgaben erforderte (Fitting, kinematische Vergleiche, Cutflow-Generierung, Schnittoptimierung, Massfenster-Scanning und Schnitt-Ranking), wurde erfolgreich in etwa 225 Sekunden ohne menschliches Eingreifen ausgeführt.
Statistische Analyse: In einer einfachen statistischen Analyse mit einem Gitter von Massenhypothesen stimmte der Agent Histogramme korrekt ab, berechnete beobachtete und erwartete Signifikanzen, p-Werte und $CL_s$ -Werte und identifizierte die injizierte Signalmass (250 GeV) als stärksten Kandidaten.
Anwendung auf Open Data: Auf ATLAS-Open-Data angewendet, verarbeitete der Agent erfolgreich mehrere ROOT-Dateien, wandte sequenzielle Lepton-Auswahlschnitte an, generierte Cutflows und erstellte einen gestapelten Plot von Signal und Hintergrund, überlagert mit Daten. Die Ergebnisse waren über GPT-4.1 und Sonnet 4.6 hinweg konsistent.
Modellvariationen: Die Arbeit stellt fest, dass zwar die Kernlogik konsistent bleibt, verschiedene LLMs (z. B. GPT-4.1 vs. DeepSeek-V3) jedoch unterschiedliche Entscheidungen bezüglich Plot-Bereichen oder Normalisierung treffen können, wenn sie nicht explizit eingeschränkt werden, was die Bedeutung der Spezifität von Prompts unterstreicht.

Bedeutung
Die Arbeit behauptet, dass RooAgent erfolgreich die Lücke zwischen Prompts in einfacher Sprache und den technischen Anforderungen der root-basierten HEP-Analyse schließt. Durch die Automatisierung der Auswahl von Werkzeugen und Argumenten strafft das System Routineaufgaben und senkt die Einstiegshürde für Benutzer, die mit den Feinheiten der ROOT-API nicht vertraut sind. Die Autoren positionieren die Arbeit als einen Schritt hin zu zugänglicherer HEP-Datenanalyse und zeigen, dass LLM-Agenten komplexe, mehrstufige Workflows, die Dateinspektion, statistische Inferenz und Visualisierung umfassen, effektiv orchestrieren können. Das Paket ist modular und ermöglicht zukünftige Erweiterungen, wie die Integration von Machine-Learning-Algorithmen als aufrufbare Werkzeuge oder die Identifizierung optimaler Variablen für die Ereignisauswahl.