⚛️ phenomenology

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

El artículo presenta \textsc{RooAgent}, una interfaz de lenguaje natural que capacita a los modelos de lenguaje grandes para realizar tareas complejas de análisis de datos de física de altas energías utilizando herramientas \textsc{PyRoot} en múltiples backends de LLM, demostrado a través de diversos flujos de trabajo de señal-fondo y aplicaciones a datos abiertos de ATLAS.

Autores originales: Aman Desai

Publicado 2026-05-19

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Aman Desai

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tienes una biblioteca masiva e increíblemente compleja de datos científicos. En el mundo de la física de partículas, esta biblioteca se llama Root, y contiene los "comprobantes" de miles de millones de colisiones de partículas. Para encontrar un fragmento específico de información, como un tipo concreto de partícula o un patrón en los datos, normalmente necesitas ser un bibliotecario que hable un idioma muy difícil y técnico (código de programación). Si no conoces el código exacto, no puedes retirar el libro.

RooAgent es como contratar a un asistente bibliotecario súper inteligente y multilingüe que habla tu idioma (inglés sencillo) y conoce perfectamente el código secreto de la biblioteca.

Así es como funciona, desglosado en conceptos simples:

1. El problema: La barrera del "idioma extranjero"

Los físicos de altas energías utilizan una herramienta llamada PyRoot para analizar datos. Es potente, pero es como intentar pedir una comida compleja en un restaurante donde el menú está escrito en un idioma que no hablas. Debes conocer la sintaxis exacta para pedir "un histograma del momento de los electrones" o "un recuento de eventos donde los chorros son pesados". Si cometes un error tipográfico o usas la palabra incorrecta, la computadora simplemente dice "Error".

2. La solución: El agente "traductor"

RooAgent actúa como un traductor. No necesitas aprender el código. Solo le dices al agente lo que quieres en inglés sencillo, como:

"Muéstrame una gráfica de la masa de los quarks bottom".
"Cuenta cuántos eventos ocurren si solo miro partículas moviéndose más rápido que 50 GeV".
"Encuentra el mejor corte para separar la señal del ruido de fondo".

El agente (impulsado por un Modelo de Lenguaje Grande, o LLM) escucha tu solicitud, la traduce a los comandos técnicos correctos, ejecuta el análisis y te devuelve el resultado, generalmente una gráfica, una tabla de números o un resumen.

3. Cómo funciona: La "caja de herramientas"

Piensa en el agente como un trabajador de la construcción con una caja de herramientas específica. El artículo describe dos formas en las que se puede contratar a este trabajador:

El modo LangGraph: El trabajador utiliza un "capataz" (LangGraph) para gestionar un equipo de modelos de IA (como GPT-4.1 o DeepSeek-V3). El capataz divide tu gran solicitud en pequeños pasos, pide a la IA que seleccione la herramienta adecuada y luego la ejecuta.
El modo MCP: El trabajador habla directamente con un jefe de IA diferente (Claude de Anthropic) utilizando un protocolo estándar (Protocolo de Contexto de Modelo).

En ambos casos, las "herramientas" en la caja de herramientas son funciones informáticas preescritas que realizan el trabajo pesado:

Inspeccionar: Mirar dentro de los archivos de datos para ver qué hay.
Contar: Sumar cuántos eventos cumplen una regla específica.
Graficar: Dibujar las gráficas y diagramas.
Ajustar: Dibujar una curva suave a través de los puntos de datos para ver la forma.
Calcular: Hacer las matemáticas para ver si un descubrimiento es estadísticamente significativo.

4. La "prueba de manejo"

Los autores probaron este asistente con varios escenarios para ver si podía manejar el trabajo:

La simulación "ZH": Simularon una colisión de partículas específica (un bosón Z y un bosón de Higgs). El agente encontró exitosamente los archivos, dibujó las gráficas, contó los eventos e incluso encontró el "punto dulce" (el mejor corte) para separar la señal del ruido de fondo.
El desafío "multitarea": Le dieron al agente una instrucción larga y compleja para hacer seis cosas diferentes a la vez (ajustar una curva, hacer gráficas de comparación, ejecutar un flujo de cortes, optimizar cortes, escanear ventanas de masa y clasificar resultados). El agente realizó los seis pasos seguidos sin necesidad de ayuda humana.
La prueba estadística "de juguete": Crearon un conjunto de datos falso con una señal oculta. El agente escaneó exitosamente a través de diferentes valores de masa, encontró la señal oculta en el lugar correcto (250 GeV) y calculó la probabilidad de que no fuera solo una casualidad.
La prueba "del mundo real": Utilizaron datos reales y públicos del experimento ATLAS en el CERN (el Gran Colisionador de Hadrones). El agente analizó exitosamente los datos para un bosón de Higgs decayendo en cuatro leptones, produciendo una gráfica apilada que coincidía con lo que producirían expertos humanos.

5. El resultado

El artículo afirma que RooAgent funciona. Transformó con éxito preguntas en inglés sencillo en respuestas complejas de física.

Manejó correctamente 19 de 20 pruebas de tareas individuales.
Completó un flujo de trabajo multitarea de 6 pasos sin detenerse.
Produjo los mismos resultados numéricos tanto si utilizaba GPT-4.1 de OpenAI como Sonnet 4.6 de Anthropic.

La trampa:
El agente no es perfecto. En una prueba, se confundió porque el usuario escribió "Events" (E mayúscula) en lugar de "events" (e minúscula) para el nombre del archivo. El agente se detuvo y pidió aclaración en lugar de adivinar. Además, a veces diferentes modelos de IA podrían elegir rangos ligeramente diferentes para una gráfica (por ejemplo, mostrar 0–100 GeV frente a 0–200 GeV), pero las matemáticas centrales permanecen iguales.

Resumen

RooAgent es un puente. Permite que los físicos (y potencialmente estudiantes o nuevos investigadores) hablen con sus datos en lenguaje humano, mientras la computadora maneja el lenguaje técnico y complejo requerido para realizar realmente el análisis. No reemplaza la comprensión del físico sobre la física, pero elimina la barrera de tener que memorizar la sintaxis de código compleja para lograr el trabajo.

Resumen Técnico de "RooAgent: Un Agente LLM para Análisis de Física de Alta Energía Basado en ROOT"

Planteamiento del Problema
El análisis de datos en Física de Alta Energía (HEP) depende en gran medida del framework ROOT y de su interfaz Python, PyROOT, para tareas que van desde la selección de eventos y la creación de histogramas hasta la inferencia estadística. Sin embargo, el uso de estas herramientas requiere un conocimiento significativo de convenciones específicas de la API, estructuras de datos (como las ramas TTree) y la organización interna de las muestras de entrada. Esta barrera de entrada puede obstaculizar a los nuevos usuarios y hacer ineficientes las tareas rutinarias. Aunque los Modelos de Lenguaje Grandes (LLM) han demostrado ser prometedores para automatizar flujos de trabajo de múltiples pasos mediante "llamadas a herramientas", existe la necesidad de una interfaz especializada que mapee objetivos en lenguaje natural directamente a las llamadas de función específicas requeridas para el análisis basado en ROOT.

Metodología
Los autores presentan RooAgent, un paquete de Python que actúa como una interfaz de lenguaje natural para el análisis basado en ROOT. El sistema envuelve las funciones de PyROOT como herramientas ejecutables para un agente LLM. La arquitectura admite dos modos de operación distintos, ambos utilizando la misma implementación subyacente de PyROOT:

Modo Agente LangGraph: Compatible con GPT-4.1 de OpenAI (vía GitHub Copilot) y DeepSeek-V3 (vía Ollama). En este modo, el LLM razona sobre los prompts del usuario, selecciona herramientas, construye argumentos y llama iterativamente a funciones de PyROOT hasta que se cumple el objetivo del usuario.
Modo Protocolo de Contexto de Modelo (MCP): Diseñado para la integración con la CLI de Anthropic Claude (probado específicamente con Sonnet 4.6). Este modo opera como un servidor MCP, donde la CLI de Claude actúa tanto como el LLM como la capa de orquestación, eliminando la necesidad de dependencias de LangChain o LangGraph.

El conjunto de herramientas es modular y cubre todo el espectro de tareas comunes de análisis en ROOT, incluyendo:

Inspección: Listado del contenido de archivos, estructuras TTree y tipos de datos de las ramas.
Conteo y Selección: Aplicación de cortes booleanos, generación de flujos de cortes (cutflows) y cálculo de rendimientos de eventos.
Histogramas y Estadística: Llenado de histogramas a partir de ramas TTree, cálculo de integrales, medias y RMS, y cálculo de significancia ( $S/\sqrt{S+B}$ ).
Visualización: Generación de gráficos 1D y 2D, superposición de distribuciones y aplicación de escalas logarítmicas.
Ajuste (Fitting): Realización de ajustes gaussianos, exponenciales o polinómicos a distribuciones.
Optimización: Escaneo de umbrales de corte para maximizar la significancia.
Exportación: Conversión de ramas TTree a archivos CSV.

El sistema está diseñado para el razonamiento iterativo, permitiendo que el agente llame a las herramientas múltiples veces para refinar resultados o corregir errores (por ejemplo, aclarando nombres de árboles o ajustando rangos de gráficos).

Contribuciones Clave

Interfaz Unificada: RooAgent proporciona un conjunto consistente de herramientas de análisis accesibles mediante lenguaje natural a través de diferentes backends de LLM (OpenAI, Ollama, Anthropic) sin requerir cambios en el código de análisis subyacente.
Registro de Herramientas: El paquete expone una biblioteca integral de funciones envueltas en PyROOT específicamente adaptadas para flujos de trabajo de HEP, incluyendo cálculo de significancia, generación de flujos de cortes y ajustes paramétricos.
Arquitectura de Doble Modo: Al admitir tanto un agente basado en LangGraph como un servidor MCP, el paquete ofrece flexibilidad para usuarios que prefieren diferentes ecosistemas de LLM y métodos de implementación (local frente a nube).

Resultados
Los autores evaluaron RooAgent utilizando simulaciones Monte Carlo de $pp \to ZH$ ( $Z \to \ell^+\ell^-, H \to b\bar{b}$ ) y procesos de fondo, así como datos abiertos de ATLAS para el canal $H \to ZZ^* \to 4\ell$ .

Rendimiento de Referencia: En una serie de 20 pruebas de tareas individuales, el agente produjo resultados exitosamente para 19 tareas. Las tareas incluían inspección de archivos, trazado de histogramas, conteo de eventos, definición de variables, ajuste gaussiano y escaneo de significancia. Un fallo ocurrió debido a un problema de sensibilidad a mayúsculas y minúsculas en una búsqueda de nombre de árbol, que el agente identificó correctamente y marcó para aclaración en lugar de producir un resultado falso.
Flujo de Trabajo de Tareas Múltiples: Un prompt complejo que requería seis tareas secuenciales (ajuste, comparaciones cinemáticas, generación de flujos de cortes, optimización de cortes, escaneo de ventanas de masa y clasificación de cortes) se ejecutó con éxito en aproximadamente 225 segundos sin intervención humana.
Análisis Estadístico: En un análisis estadístico de juguete que involucraba una cuadrícula de hipótesis de masa, el agente coincidió correctamente los histogramas, calculó significancias observadas y esperadas, valores p y valores $CL_s$ , e identificó la masa de señal inyectada (250 GeV) como el candidato más fuerte.
Aplicación a Datos Abiertos: Aplicado a datos abiertos de ATLAS, el agente procesó con éxito múltiples archivos ROOT, aplicó cortes de selección de leptones secuenciales, generó flujos de cortes y produjo un gráfico apilado de señal y fondo superpuesto con los datos. Los resultados fueron consistentes entre GPT-4.1 y Sonnet 4.6.
Variaciones del Modelo: El artículo señala que, aunque la lógica central permanece consistente, diferentes LLM (por ejemplo, GPT-4.1 frente a DeepSeek-V3) pueden tomar decisiones diferentes respecto a los rangos de gráficos o la normalización cuando no están explícitamente restringidos, destacando la importancia de la especificidad del prompt.

Significado
El artículo afirma que RooAgent cierra con éxito la brecha entre los prompts en lenguaje plano y los requisitos técnicos del análisis de HEP basado en ROOT. Al automatizar la selección de herramientas y argumentos, el sistema agiliza las tareas rutinarias y reduce la barrera de entrada para usuarios no familiarizados con las complejidades de la API de ROOT. Los autores posicionan este trabajo como un paso hacia un análisis de datos de HEP más accesible, demostrando que los agentes LLM pueden orquestar eficazmente flujos de trabajo complejos y de múltiples pasos que involucran inspección de archivos, inferencia estadística y visualización. El paquete es modular, lo que permite futuras extensiones como la integración de algoritmos de aprendizaje automático como herramientas invocables o la identificación de variables óptimas de selección de eventos.