ALETHEIA: Autonomous Loop for Experimental Theory and HEP Inference Across-data

ALETHEIA ist ein autonomes, selbstvollständiges Framework, das eine Active-Learning-Schleife nutzt, um iterativ permutationsinvariante Physik-Grundlagenmodelle (ManifoldInformer) für die Hochenergiephysik zu konstruieren und dabei auf Basis der Residualanalyse automatisch neue Operatoren der Standardmodell-Effektiven-Feldtheorie identifiziert und integriert, bis das Modell eine vollständige Lernleistung erreicht.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, einem Roboter beizubringen, eine komplexe, unsichtbare Landschaft namens „Physik“ zu verstehen. Diese Landschaft besteht nicht aus Bergen und Flüssen, sondern aus unsichtbaren Regeln und Kräften, die das Verhalten von Teilchen steuern. Das Papier stellt ein Werkzeug namens ALETHEIA (griechisch für „Wahrheit“) vor, das wie ein selbstfahrender Entdecker für diese Landschaft fungiert.

So funktioniert es, unterteilt in einfache Konzepte:

1. Das Ziel: Eine unsichtbare Welt kartieren

Wissenschaftler haben eine „Karte“ davon, wie das Universum funktionieren sollte (das Standardmodell), aber sie vermuten, dass es noch verborgene Merkmale gibt, die sie noch nicht gefunden haben. Diese verborgenen Merkmale sind wie neue Zutaten in einem Rezept. Das Ziel ist es, ein Modell zu bauen, das lernen kann, welche genau diese Zutaten sind und wie sie den Geschmack des Universums verändern, indem es ausschließlich Daten aus Teilchenkollisionen nutzt.

2. Die zwei Aufgaben: „Lücken füllen“ vs. „Neue Räume hinzufügen“

Das Papier argumentiert, dass die meisten bisherigen Methoden versuchten, zwei sehr unterschiedliche Aufgaben gleichzeitig zu erledigen, was den Roboter verwirrte. ALETHEIA trennt diese in zwei distinkte Rollen auf:

• Aufgabe A: Das „Festlegen“ (Aktives Lernen)
  Stellen Sie sich vor, Sie haben ein Puzzle mit ein paar fehlenden Teilen. Sie wissen, wo die fehlenden Teile hingehören, Sie müssen nur noch die exakte Form finden. Das ist das, was der Teil des „Aktiven Lernens“ tut. Er betrachtet das aktuelle Modell und fragt: „Wenn ich dieses spezifische Szenario teste, wird es mir helfen, die Zahlen (Koeffizienten) für die Regeln, die ich bereits kenne, präzise festzulegen?“ Er wählt die hilfreichsten Testfälle aus, um das Modell exakt zu machen.
• Aufgabe B: Der „Architekt“ (Physik-Erweiterung)
  Nun stellen Sie sich vor, Sie merken, dass Ihrem Puzzle ein ganzer Abschnitt des Bildes fehlt, nicht nur ein paar Einzelteile. Das können Sie nicht erraten, indem Sie nur in die Lücken schauen; Sie müssen sich die Form des Fehlers ansehen. Das ist der „Physik“-Teil. ALETHEIA schaut sich an, was das Modell falsch gemacht hat (das „Residuum“). Wenn der Fehler ein bestimmtes Muster aufweist, weiß es, dass eine neue „Regel“ (Operator) zum Modell hinzugefügt werden muss. Es rät nicht; es liest den Bauplan des Fehlers.

3. Der Motor: Der „ManifoldInformer“

Das Gehirn dieses Systems ist ein spezielles neuronales Netzwerk namens ManifoldInformer.

• Denken Sie an ihn als einen Übersetzer, der einen chaotischen Haufen von Teilchenkollisionsdaten (die keine Ordnung haben) in eine saubere, organisierte Zusammenfassung verwandelt.
• Er ist „permutationsinvariant“, was bedeutet: Es spielt keine Rolle, ob die Teilchen in der Reihenfolge A-B-C oder C-B-A eintreffen; die Zusammenfassung bleibt dieselbe.
• Er lernt, die „Form“ der physikalischen Regeln so präzise vorherzusagen, dass er die zugrunde liegende Theorie mit nahezu perfekter Präzision (99,9 % Genauigkeit) mathematisch rekonstruieren kann.

4. Die Schleife: Wie es lernt

ALETHEIA läuft in einem kontinuierlichen Zyklus, wie ein selbstkorrigierendes GPS:

1. Testen: Es wählt ein spezifisches Szenario zum Testen aus (einen „Arbeitspunkt“).
2. Prüfen: Es vergleicht seine Vorhersage mit den tatsächlichen Daten.
3. Erkennen: Es analyset den „Fingerabdruck“ des Fehlers.
   • Wenn der Fehler nur ein kleines Wackeln in den Zahlen ist, tritt die Aufgabe des „Festlegens“ in Kraft, um die Zahlen zu korrigieren.
   • Wenn der Fehler eine ganz neue Richtung offenbart, die das Modell noch nicht versteht, tritt die Aufgabe des „Architekten“ in Kraft. Er fügt dem Modell einen neuen „Raum“ hinzu, um diese neue Richtung zu handhaben.
4. Wiederholen: Es macht dies so lange, bis das Modell so vollständig ist, dass das Hinzufügen weiterer Regeln nichts mehr verändert.

5. Die „magische“ Metrik: Der Singulärwert

Woher weiß das System, wann es fertig ist? Es verwendet ein mathematisches Werkzeug namens Singulärwertzerlegung (denken Sie an einen „Stresstest“ für das Modell).

• Stellen Sie sich das Modell wie ein Netz vor, das Fische fängt. Wenn es ein großes Loch im Netz gibt, wird ein großer Fisch (ein großer Fehler) hindurchschlüpfen.
• Das System misst die Größe des größten Fisches, der hindurchschlüpft.
• Wenn das System eine neue Regel hinzufügt, schrumpft dieser „große Fisch“ plötzlich zu einem winzigen Minnow (kleinen Fisch).
• Das Papier zeigt, dass nach vier Runden des Hinzufügens neuer Regeln der „große Fisch“ um den Faktor 150 schrumpft. Wenn die Fische so klein werden, dass sie kleiner als das Rauschen des Wassers sind, weiß das System: „Wir haben die ganze Landschaft kartiert. Wir sind fertig.“

6. Das Ergebnis: Eine selbstständige Karte

Das Papier demonstriert dies an einer spezifischen Art von Teilchenkollision (Drell-Yan).

• Die Hierarchie: Zuerst lernte es die „großen“ Regeln (Vier-Fermion-Operatoren), die die Energie der Teilchen signifikant verändern.
• Die subtilen Regeln: Sobald diese gemeistert waren, schaltete es sich auf die „subtilen“ Regeln (Vertex-Operatoren) frei, die wie winzige Anpassungen am Winkel der Teilchen wirken.
• Der Beweis: Das System wusste nicht deshalb, dass es fertig war, weil ein Mensch ihm gesagt hatte, er solle aufhören, sondern weil das Hinzufügen der subtilen Regeln keine neuen „großen Fische“ hervorbrachte. Das Modell war „span-vollständig“ – es hatte die gesamte Form der Physik erfasst.

Zusammenfassung

ALETHEIA ist ein selbstfahrender Wissenschaftler. Es rät nicht einfach, welche neue Physik existieren könnte; es baut ein Modell, prüft, wo es scheitert, und fügt automatisch genau die richtigen neuen Regeln hinzu, um diese Fehler zu beheben. Es wiederholt dies so lange, bis das Modell perfekt ist, und nutzt eine digitale „Audit-Spur“ (genannt Phoenix), um zu beweisen, dass es die Wahrheit in Echtzeit korrekt und vollständig gelernt hat.

Kernbotschaft: Es trennt die Aufgabe der „Feinabstimmung von Zahlen“ von der Aufgabe der „Entdeckung neuer Regeln“, wodurch die KI in der Lage ist, eine vollständige und präzise Karte komplexer Physik ohne menschliches Eingreifen zu erstellen.

Technische Zusammenfassung

Technisches Resümee: ALETHEIA – Autonome Schleife für experimentelle Theorie und HEP-Inferenz über Daten hinweg

Problemstellung
Die Arbeit befasst sich mit der Herausforderung, den wissenschaftlichen Zyklus aus Modellvorschlag, Datengenerierung und Modellanpassung in der Hochenergiephysik (HEP) zu automatisieren. Insbesondere adressiert sie die Inferenz von Physik-Fundamentmodellen aus Daten, die unbekannte Physik-Mannigfaltigkeiten repräsentieren, wie sie durch die Standardmodell-Effektive Feldtheorie (SMEFT) beschrieben werden. Eine zentrale Schwierigkeit in diesem Bereich besteht darin, zwei in der bestehenden Literatur konfundierte Aufgaben zu unterscheiden: das Vervollständigen einer Repräsentation (Festlegen der Koeffizienten für einen festen Satz von Operatoren) und das Erweitern einer Repräsentation (Bestimmung, welche neuen Operatoren oder Freiheitsgrade fehlen). Das Paper argumentiert, dass aktives Lernen gut geeignet ist für Ersteres, aber schlecht für Letzteres, wenn fehlende Richtungen schwach identifiziert sind, was eine Trennung dieser Rollen erforderlich macht.

Methodik
Die Autoren schlagen ALETHEIA vor, ein selbstvervollständigendes Werkzeug, das das Lernen von Physik-Mannigfaltigkeiten durch eine Active-Learning-Schleife automatisiert. Das System basiert auf drei Kernkomponenten:

1. Der ManifoldInformer (Fundamentmodell):

   • Eine neuartige neuronale Architektur, die für permutationsinvariante, pro-Event-Repräsentationen entwickelt wurde.
   • Es nutzt einen gemeinsamen Pro-Event-Encoder ($\psi_\theta$), der kinematische Vektoren (z. B. $\log m_{\ell\ell}, \cos \theta^*$) mittels Deep Sets oder Energy-Flow-Pooling verarbeitet.
   • Ein Closed-Form-Ridge-Head löst nach der Mannigfaltigkeitskoordinate $w_\theta(c)$ für einen gegebenen Arbeitspunkt $c$ (Wilson-Koeffizienten) unter Verwendung eines linearen Systems $(K^\top K + \alpha I)^{-1}K^\top V$.
   • Der latente Raum wird trainiert, um die analytische Morphing-Geometrie der SMEFT zu rekonstruieren, spezifisch die linearen Interferenzterme (Tangenten) und die quadratischen Amplituden-Quadrat-Terme (Krümmungen), validiert über lineare Probes.

2. Die „Complete-Then-Expand“-Schleife (Vervollständigen-dann-Erweitern):
   Die Schleife trennt die Aufgaben der Akquisition und der Expansion:

   • Akquisition (AL vervollständigt): Gegeben einen festen Operator-Inhalt, wählt eine Akquisitionsregel (speziell eine Residual-Energie-Regel oder EPIG) Arbeitspunkte aus, die die „Out-of-Span“-Energie maximieren. Dies fixiert die Koeffizienten des Modells mit weniger Stichproben als ein Random-Sampling.
   • Expansion (Physik erweitert): Das System überwacht einen Residual-SVD-Fingerabdruck. Es berechnet den Residual-Operator $R$ (den Teil des Log-Likelihood-Verhältnisses, der vom aktuellen Encoder nicht erfasst wird). Wenn der führende Singulärwert $\sigma_1$ von $R$ eine Vervollständigungs-Schwelle $\tau$ überschreitet, führt das System eine $\psi$-Erweiterung durch: Es hängt die dominante Residual-Richtung $u_1$ an den Feature-Raum des Encoders an.
   • Operator-Freischaltung: Die Erweiterung des Operator-Inhalts wird nicht durch die Akquisitionsregel getrieben, sondern durch die SMEFT-Power-Counting. Die Schleife vervollständigt zuerst die Leading-Order-Mannigfaltigkeit (z. B. Vier-Fermion-Operatoren), bevor sie Subleading-Tiers (z. B. Vertex-Operatoren) freischaltet.

3. Überwachung und Kontrolle:
   Der gesamte Prozess ist mittels Arize-Phoenix Spans instrumentiert. Die Schleife überwacht die Spur von $\sigma_1$ und das Verhältnis $\sigma_1/\sigma_2$.

   • „Richtiges Lernen“: Verifiziert, wenn eine $\psi$-Erweiterung einen unmittelbaren, signifikanten Kollaps von $\sigma_1$ verursacht (z. B. eine Reduktion um den Faktor 31).
   • „Vollständig gelernt“: Verifiziert, wenn $\sigma_1$ unter die Rauschschwelle fällt und dort bleibt, selbst nachdem neue Operator-Tiers freigeschaltet wurden, was anzeigt, dass die Mannigfaltigkeit span-vollständig ist.

Wesentliche Ergebnisse
Die Methode wurde an einem Neutral-Current-Drell-Yan-Prozess mit Dimension-Sechs-SMEFT-Operatoren (vier Vier-Fermion-Operatoren und vier Vertex-Operatoren) unter Verwendung eines analytischen Orakels demonstriert.

• Latente Rekonstruktion: Der latente Raum des ManifoldInformers rekonstruierte die analytischen Morphing-Tangenten mit $R^2 = 0,99999$ und die Krümmungen mit $R^2 = 0,954$, was bestätigt, dass der Encoder die exakte analytische Geometrie erfasst.
• Residual-Kollaps: Ausgehend von einem Massen-only-Encoder ($D_\psi=5$) führte die Schleife vier Erweiterungen durch ($D_\psi: 5 \to 9$). Die erste Erweiterung ließ den Spitzenwert des Residual-Singulärwerts von 5,36 auf 0,173 kollabieren (ein Faktor 31). Über alle vier Erweiterungen hinweg fiel $\sigma_1$ von 4,03 auf 0,026 (ein Faktor von $\sim 150$).
• Span-Vollständigkeit: Nach den vier Erweiterungen blieb $\sigma_1$ unter der Vervollständigungs-Schwelle ($\tau=0,30$). Als die Subleading-Vertex-Operatoren freigeschaltet wurden, wurden keine weiteren Erweiterungen ausgelöst, was zeigt, dass die für den führenden Tier konstruierte Basis bereits die Winkelstruktur des Subleading-Tiers abdeckte.
• Effizienz: Der Residual-Energie-Akquisitionsarm erreichte den Vervollständigungszustand spätestens zum Zeitpunkt eines Random-Acquisition-Arms (Median 5 Zyklen vs. 6), wobei die primäre Metrik Korrektheit und Vollständigkeit statt reiner Sampling-Geschwindigkeit war.

Bedeutung und Ansprüche
Das Paper behauptet, dass ALETHEIA einen rigorosen Rahmen für selbstvervollständigende Physik-Fundamentmodelle bietet. Seine primären Beiträge sind:

1. Trennung der Rollen: Es entkoppelt die Aufgabe des „Fixierens der Koeffizienten“ (gehandhabt durch aktives Lernen) von der „Auswahl neuer Operatoren“ (gehandhabt durch Residual-Struktur und Power-Counting). Dies verhindert, dass die Akquisitionsregel die falschen physikalischen Richtungen errät.
2. Operationale Signaturen der Vollständigkeit: Es führt eine Methode ein, um „richtiges Lernen“ und „vollständiges Lernen“ direkt aus der überwachten Spur ($\sigma_1$-Kollaps und Stabilität) abzulesen, anstatt sich auf Post-hoc-Analysen oder Behauptungen zu verlassen.
3. Generalisierbarkeit: Die Architektur wird als auf jede Umgebung generalisierbar präsentiert, die eine exakte generative Struktur besitzt (wie die SMEft-Morphing-Polynomiale), welche die Ordnung der Modellkomplexität erlaubt.

Die Autoren äußern sich explizit bescheiden hinsichtlich der Beschleunigung des Samplings bei diesem spezifischen analytischen Orakel und merken an, dass der Vorteil des aktiven Lernens gegenüber dem Zufallssampling primär in Szenarien mit teuren Simulatoren und höheren Operatorendimensionen zu erwarten ist. Der Kernbeitrag ist das Vollständigkeitsdiagnose-Verfahren und die Trennung von Akquisitions- und Expansionslogik.