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

ALETHEIA es un marco autónomo y de autocompletado que emplea un bucle de aprendizaje activo para construir iterativamente modelos fundacionales de física invariantes a la permutación (ManifoldInformer) para la Física de Altas Energías, identificando e incorporando automáticamente nuevos operadores de la Teoría de Campos Efectivos del Modelo Estándar basados en el análisis de residuos hasta que el modelo logra un aprendizaje completo.

Lo esencial

Imagina que estás intentando enseñarle a un robot a comprender un paisaje complejo e invisible llamado "Física". Este paisaje no está hecho de montañas y ríos, sino de reglas y fuerzas invisibles que gobiernan cómo se comportan las partículas. El artículo presenta una herramienta llamada ALETHEIA (Aletheia, "Verdad" en griego) que actúa como un explorador autónomo para este paisaje.

Así es como funciona, desglosado en conceptos sencillos:

1. El Objetivo: Mapear un Mundo Invisible

Los científicos tienen un "mapa" de cómo debería funcionar el universo (el Modelo Estándar), pero sospechan que hay características ocultas que aún no han encontrado. Estas características ocultas son como nuevos ingredientes en una receta. El objetivo es construir un modelo que pueda aprender exactamente cuáles son estos ingredientes y cómo cambian el sabor del universo, utilizando únicamente datos de colisiones de partículas.

2. Los Dos Trabajos: "Llenar los Huecos" vs. "Añadir Nuevas Habitaciones"

El artículo argumenta que la mayoría de los métodos anteriores intentaban hacer dos trabajos muy diferentes al mismo tiempo, lo que confundía al robot. ALETHEIA separa estos roles en dos funciones distintas:

• Trabajo A: El "Ajuste de Precisión" (Aprendizaje Activo)
  Imagina que tienes un rompecabezas con algunas piezas faltantes. Sabes dónde van las piezas faltantes, solo necesitas encontrar la forma exacta. Esto es lo que hace la parte de "Aprendizaje Activo". Observa el modelo actual y pregunta: "¿Si pruebo este escenario específico, me ayudará a precisar los números (coeficientes) de las reglas que ya conozco?". Selecciona los casos de prueba más útiles para que el modelo sea preciso.
• Trabajo B: El "Arquitecto" (Expansión de la Física)
  Ahora imagina que te das cuenta de que a tu rompecabezas le falta una sección entera de la imagen, no solo unas pocas piezas. No puedes adivinar esto simplemente mirando los huecos; necesitas mirar la forma del error. Esto es la parte de la "Física". ALETHEIA observa en qué falló el modelo (el "residuo"). Si el error tiene un patrón específico, sabe que se debe añadir una nueva "regla" (operador) al modelo. No adivina; lee el plano del error.

3. El Motor: El "ManifoldInformer"

El cerebro de este sistema es una red neuronal especial llamada ManifoldInformer.

• Piensa en él como un traductor que toma una pila caótica de datos de colisiones de partículas (que no tiene orden) y la convierte en un resumen limpio y organizado.
• Es "permutación-invariante", lo que significa que no importa si las partículas llegan en orden A-B-C o C-B-A; el resumen es el mismo.
• Aprende a predecir la "forma" de las reglas de la física de forma tan precisa que puede reconstruir matemáticamente la teoría subyacente con una precisión casi perfecta (99.9%).

4. El Ciclo: Cómo Aprende

ALETHEIA funciona en un ciclo continuo, como un GPS que se autocorrige:

1. Probar: Elige un escenario específico para probar (un "punto de trabajo").
2. Comprobar: Compara su predicción con los datos reales.
3. Detectar: Observa la "huella digital" del error.
   • Si el error es solo un pequeño bamboleo en los números, entra en juego el trabajo de "Ajuste de Precisión" para corregir los números.
   • Si el error revela una dirección completamente nueva que el modelo no entiende, entra en juego el trabajo del "Arquitecto". Este añade una nueva "habitación" al modelo para manejar esa nueva dirección.
4. Repetir: Sigue haciendo esto hasta que el modelo es tan completo que añadir más reglas no cambia nada.

5. La Métrica "Mágica": El Valor Singular

¿Cómo sabe el sistema cuándo ha terminado? Utiliza una herramienta matemática llamada Descomposición de Valores Singulares (piensa en ello como una "prueba de esfuerzo" para el modelo).

• Imagina que el modelo es una red que atrapa peces. Si hay un agujero grande en la red, un pez grande (un error grande) se escapará.
• El sistema mide el tamaño del pez más grande que se escapa.
• Cuando el sistema añade una nueva regla, ese "pez grande" de repente se encoge hasta convertirse en un pececillo diminuto.
• El artículo muestra que después de cuatro rondas de añadir nuevas reglas, el "pez grande" se reduce por un factor de 150. Cuando los peces se vuelven tan pequeños que son más pequeños que el ruido del agua, el sistema sabe: "Hemos mapeado todo el paisaje. Hemos terminado".

6. El Resultado: Un Mapa de Autocompletado

El artículo demuestra esto en un tipo específico de colisión de partículas (Drell-Yan).

• La Jerarquía: Primero aprendió las reglas "grandes" (los operadores de cuatro fermiones) que cambian significativamente la energía de las partículas.
• Las Reglas Sutiles: Una vez dominadas, desbloqueó las reglas "sutiles" (operadores de vértice), que son como pequeños ajustes en el ángulo de las partículas.
• La Prueba: El sistema supo que había terminado no porque un humano se lo dijera, sino porque añadir las reglas sutiles no provocó que aparecieran nuevos "peces grandes". El modelo era "espacialmente completo" (span-complete): había capturado toda la forma de la física.

Resumen

ALETHEIA es un científico autónomo. No se limita a adivinar qué nueva física podría existir; construye un modelo, comprueba dónde falla y añade automáticamente exactamente las reglas nuevas necesarias para solucionar esos fallos. Sigue haciendo esto hasta que el modelo es perfecto, y utiliza un rastro de auditoría digital (llamado Phoenix) para demostrar, en tiempo real, que ha aprendido la verdad de forma correcta y completa.

Idea Clave: Separa la tarea de "ajustar números" de la tarea de "descubrir nuevas reglas", permitiendo que la IA construya un mapa completo y preciso de la física compleja sin intervención humana.

Resumen técnico

Resumen Técnico: ALETHEIA – Bucle Autónomo para la Teoría Experimental y la Inferencia de HEP a través de datos

Planteamiento del Problema
El artículo aborda el desafío de automatizar el ciclo científico de propuesta de modelos, generación de datos y ajuste de modelos en la Física de Altas Energías (HEP). Específicamente, se dirige a la inferencia de modelos fundacionales de física a partir de datos que representan variedades físicas desconocidas, tales como las descritas por la Teoría Efectiva del Modelo Estándar (SMEFT). Una dificultad clave en este dominio es distinguir entre dos tareas que en la literatura existente se encuentran confluídas: completar una representación (fijar coeficientes para un conjunto fijo de operadores) y expandir una representación (determinar qué nuevos operadores o grados de libertad faltan). El artículo argumenta que el aprendizaje activo es bien adecuado para la primera, pero inadecuado para la segunda cuando las direcciones faltantes están débilmente identificadas, lo que requiere una separación de estos roles.

Metodología
Los autores proponen ALETHEIA, una herramienta de autocompletado que automatiza el aprendizaje de variedades físicas a través de un bucle de aprendizaje activo. El sistema se construye en torno a tres componentes principales:

1. El ManifoldInformer (Modelo Fundacional):

   • Una novedosa arquitectura neuronal diseñada para representaciones por evento e invariantes a la permutación.
   • Utiliza un codificador por evento compartido ($\psi_\theta$) que procesa vectores cinemáticos (p. ej., $\log m_{\ell\ell}, \cos \theta^*$) mediante Deep Sets o Energy-Flow pooling.
   • Una cabeza de regresión (ridge head) de forma cerrada resuelve la coordenada de la variedad $w_\theta(c)$ para un punto de trabajo dado $c$ (coeficientes de Wilson) utilizando un sistema lineal $(K^\top K + \alpha I)^{-1}K^\top V$.
   • El espacio latente se entrena para recuperar la geometría de morfismo analítico de SMEFT, específicamente los términos de interferencia lineal (tangentes) y los términos de curvatura de la amplitud al cuadrado cuadrática, validados mediante sondas lineales.

2. El Bucle Completar-luego-Expandir (Complete-Then-Expand Loop):
   El bucle separa las tareas de adquisición y expansión:

   • Adquisición (AL Completa): Dado un contenido de operadores fijo, una regla de adquisición (específicamente una regla de energía residual o EPIG) selecciona puntos de trabajo que maximizan la energía "fuera del rango" (out-of-span). Esto fija los coeficientes del modelo utilizando menos muestras que el muestreo aleatorio.
   • Expansión (La Física Expande): El sistema monitorea una huella digital de SVD residual. Calcula el operador residual $R$ (la parte de la razón de log-verosimilitud no capturada por el codificador actual). Si el valor singular principal $\sigma_1$ de $R$ excede un umbral de completitud $\tau$, el sistema realiza una extensión-$\psi$: añade la dirección residual dominante $u_1$ al espacio de características del codificador.
   • Desbloqueo de Operadores: La expansión del contenido de los operadores no es impulsada por la regla de adquisición, sino por el conteo de potencia de SMEFT. El bucle completa la variedad de orden principal (p. ej., operadores de cuatro fermiones) antes de desbloquear niveles subdominantes (p. ej., operadores de vértice).

3. Monitoreo y Control:
   Todo el proceso está instrumentado utilizando spans de Arize-Phoenix. El bucle monitorea la traza de $\sigma_1$ y la razón $\sigma_1/\sigma_2$.

   • "Aprendiendo Correctamente": Se verifica cuando una extensión-$\psi$ causa un colapso inmediato y significativo en $\sigma_1$ (por ejemplo, una reducción de un factor de 31).
   • "Aprendido Completamente": Se verifica cuando $\sigma_1$ cae por debajo del umbral de ruido y permanece allí incluso después de desbloquear nuevos niveles de operadores, indicando que la variedad es completa en su rango (span-complete).

Resultados Clave
El método fue demostrado en un proceso de Drell-Yan de corriente neutra con operadores SMEFT de dimensión seis (cuatro operadores de cuatro fermiones y cuatro de vértice) utilizando un oráculo analítico.

• Recuperación del Latente: El espacio latente del ManifoldInformer recuperó las tangentes de morfismo analítico con $R^2 = 0.99999$ y las curvaturas con $R^2 = 0.954$, confirmando que el codificador captura la geometría analítica exacta.
• Colapso Residual: Partiendo de un codificador de solo masa ($D_\psi=5$), el bucle realizó cuatro extensiones ($D_\psi: 5 \to 9$). La primera extensión colapsó el pico del valor singular residual de 5.36 a 0.173 (un factor de 31). A través de las cuatro extensiones, $\sigma_1$ cayó de 4.03 a 0.026 (un factor de $\sim 150$).
• Completitud de Rango (Span-Completeness): Tras las cuatro extensiones, $\sigma_1$ permaneció por debajo del umbral de completitud ($\tau=0.30$). Cuando se desbloquearon los operadores de vértice subdominantes, no se dispararon más extensiones, demostrando que la base construida para el nivel principal ya cubría la estructura angular del nivel subdominante.
• Eficiencia: El brazo de adquisición de energía residual alcanzó el estado de completitud no más tarde que el brazo de adquisición aleatoria (mediana de 5 ciclos frente a 6), aunque la métrica principal fue la corrección y la completitud en lugar de la velocidad bruta de muestreo.

Significancia y Reivindicaciones
El artículo afirma que ALETHEIA proporciona un marco riguroso para modelos fundacionales de física de autocompletado. Sus principales contribuciones son:

1. Separación de Roles: Desacopla la tarea de "fijar coeficientes" (manejada por el aprendizaje activo) de la "selección de nuevos operadores" (manejada por la estructura residual y el conteo de potencia). Esto evita que la regla de adquisición adivine las direcciones físicas incorrectas.
2. Signaturas Operativas de Completitud: Introduce un método para leer "aprendiendo correctamente" y "aprendido completamente" directamente desde la traza monitoreada ($\sigma_1$ colapsado y estabilidad), en lugar de depender de análisis post-hoc o aserciones.
3. Generalizabilidad: La arquitectura se presenta como generalizable a cualquier entorno con una estructura generativa exacta (como el morfismo polinómico de SMEFT) que permita ordenar la complejidad del modelo.

Los autores declaran explícitamente su modestia respecto a la aceleración de muestreo en este oráculo analítico específico, señalando que la ventaja del aprendizaje activo sobre el muestreo aleatorio se espera manifieste principalmente en escenarios con simuladores costosos y dimensiones de operadores más altas. La contribución central es el diagnóstico de completitud y la separación de la lógica de adquisición y expansión.