⚛️ phenomenology

SMEFT-Pheno-Agent: a natural-language-driven AI agent for machine-learning-assisted Standard Model Effective Field Theory phenomenology

SMEFT-Pheno-Agent es un agente de IA impulsado por lenguaje natural que orquesta un flujo de trabajo de Python de doce fases, totalmente automatizado y reproducible, para la fenomenología de la Teoría de Campo Efectiva del Modelo Estándar asistida por aprendizaje automático, traduciendo la intención del usuario en tareas de simulación y análisis validadas mientras mantiene una estricta auditabilidad mediante manifiestos de fase legibles por máquina.

Autores originales: Yu-Chen Guo, Jie Wang, Ji-Chong Yang

Publicado 2026-07-27

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yu-Chen Guo, Jie Wang, Ji-Chong Yang

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

Imagine el universo como un gigantesco rompecabezas cósmico. Los físicos han pasado décadas ensamblando la mayoría de las piezas, creando una imagen llamada el "Modelo Estándar" que explica cómo interactúan partículas diminutas como los electrones y los quarks. Es un mapa brillante, pero sabemos que está incompleto. Hay huecos: fuerzas misteriosas y partículas pesadas que aún no podemos ver. Para encontrarlas, los científicos chocan partículas entre sí a velocidades asombrosas en máquinas gigantes llamadas colisionadores. Buscan pequeñas grietas en el mapa, indicios de que las reglas de la física podrían ser ligeramente diferentes de lo que pensábamos. Aquí es donde entra la "Teoría de Campos Efectivos". Piense en ella como una regla flexible: en lugar de adivinar exactamente qué aspecto tiene la pieza faltante, los científicos miden cuánto se dobla la regla bajo diferentes condiciones. Si el doblado es extraño, sugiere que algo nuevo se esconde allí. ¿El problema? Realizar estas mediciones es como intentar hornear un pastel mientras simultáneamente construyes el horno, escribes la receta y cuentas cada una de las migajas. Requiere una cadena masiva de programas informáticos complejos y, si un paso se hace mal, todo el pastel colapsa.

Presentamos a SMEFT-Pheno-Agent, un nuevo asistente digital diseñado para ser el jefe de cocina definitivo para estos experimentos de física. Este no es un robot que inventa nuevas leyes de la física; más bien, es un gestor de proyectos altamente organizado que habla lenguaje humano. Imagine que le dice a un robot muy inteligente y muy estricto: "Quiero ver qué sucede si chocamos muones a 10 TeV y buscamos un tipo específico de curvatura en las reglas". El robot no solo asiente; toma esa frase y construye automáticamente toda la cocina. Verifica si los hornos (programas informáticos) están funcionando, establece la temperatura (parámetros de física), pide los ingredientes (eventos de partículas) e incluso decide qué herramientas usar para la prueba de sabor final (aprendizaje automático).

El artículo presenta este agente como un flujo de trabajo que convierte una conversación simple en un estudio científico riguroso de 12 pasos. Los autores, Yu-Chen Guo, Jie Wang y Ji-Chong Yang, construyeron un sistema donde un agente de IA actúa como el director de una orquesta. El agente escucha su petición en lenguaje sencillo y luego la traduce en un conjunto cerrado de instrucciones que el software especializado de física (como MadGraph5_aMC@NLO y Delphes) puede seguir. La magia aquí es que la IA nunca toca la matemática real ni los números. Es como un chef que escribe la receta y le dice a los ayudantes de cocina exactamente qué hacer, pero nunca revuelve la olla ni prueba la sopa. Esto asegura que la "cocción" sea realizada por herramientas confiables y probadas, mientras que la IA se encarga del trabajo desordenado de mantener todo en orden.

El sistema funciona en doce fases distintas, pasando de un chat simple a un informe auditado final.

La Recepción: Usted habla con el agente, especificando el tipo de colisión, la energía y lo que quiere encontrar. El agente bloquea estos detalles en un archivo de configuración para que nada cambie accidentalmente después.
La Configuración: Verifica que todos los programas informáticos necesarios estén instalados y listos para funcionar.
La Simulación: Ejecuta el trabajo pesado: generar millones de colisiones de partículas simuladas, simular cómo las verían los detectores y crear ejemplos "puros" de cómo podría verse la nueva física.
El Aprendizaje Automático: Aquí es donde el agente se vuelve astuto. Observa los datos y sugiere las mejores herramientas matemáticas (algoritmos) para detectar la diferencia entre la física "normal" y la "nueva". Elige un "punto de operación" específico —un umbral para lo que cuenta como un impacto— y se mantiene fiel a él durante todo el estudio.
El Análisis: Escanea a través de diferentes posibilidades, ajusta los datos a una curva y calcula qué tan fuerte es la evidencia a favor o en contra de la nueva física.
La Auditoría: Finalmente, el agente revisa su propio trabajo. Verifica que cada archivo exista, que cada número coincida con el plan y que la historia tenga sentido. Incluso redacta un manuscrito para que los científicos lo lean, citando exactamente de dónde proviene cada número.

El artículo demuestra esto con un ejemplo específico: la simulación de una colisión en un futuro colisionador de muones con una energía de 10 TeV. El agente guio con éxito el proceso, generando muestras de eventos, entrenando modelos de aprendizaje automático (como AdaBoost) y produciendo un intervalo estadístico para un coeficiente específico ( $c_{gT,0}$ ). Los resultados mostraron que, con un umbral específico de 0.78, el sistema podía restringir el parámetro de la física a un rango de aproximadamente $[-0.948, 1.531] \times 10^{-3} \text{ TeV}^{-4}$ con un nivel de significancia de 2.

Crucialmente, los autores son cuidadosos al declarar lo que esta herramienta no es. No es una varita mágica que resuelve todos los problemas de la física, ni reemplaza la necesidad de que los científicos humanos comprendan la teoría. El agente no puede inventar nueva física y no afirma haber encontrado una nueva partícula. Es una herramienta para la reproducibilidad. En el pasado, si un científico quería repetir un estudio complejo, podría haber tenido que pasar semanas redescubriendo cómo la persona anterior configuró sus programas informáticos. Con SMEFT-Pheno-Agent, todo el proceso queda registrado en un "manifiesto": un recibo digital que demuestra exactamente qué se hizo, cómo se hizo y cuáles fueron los resultados. Si se desea repetir el estudio, el agente puede hacerlo de nuevo, exactamente de la misma manera, porque nunca depende de conjeturas o memoria.

El artículo argumenta que este enfoque resuelve un cuello de botella importante en la física moderna: el problema del "traspaso". Usualmente, pasar de un programa informático a otro es un proceso frágil y manual donde los errores pueden filtrarse silenciosamente. Al automatizar estos traspasos y mantener un registro estricto e inalterable de cada paso, el agente asegura que la ciencia sea sólida. Los autores sugieren que, si bien esta versión específica se centra en un tipo de escenario de física, el marco podría expandirse eventualmente para manejar estudios de múltiples parámetros más complejos. Por ahora, esto es una prueba de concepto: una forma de permitir que la IA se encargue del papeleo y la fontanería, para que los físicos puedan concentrarse en las grandes preguntas.

Resumen Técnico: SMEFT-Pheno-Agent

Planteamiento del Problema
La fenomenología de la alta energía (HEP), particularmente dentro del marco de la Teoría de Campos Efectivos del Modelo Estándar (SMEFT), requiere la orquestación de una cadena compleja de herramientas especializadas (por ejemplo, MadGraph5_aMC@NLO, Pythia, Delphes, MLAnalysis) para traducir modelos teóricos en observables a nivel de detector. Aunque las herramientas individuales son maduras, sus sintaxis y convenciones de uso dispares crean un flujo de trabajo manual "frágil". Esta coordinación manual es un cuello de botella significativo que, a menudo, extiende los cronogramas de estudio de semanas a meses. Además, los marcos de automatización existentes suelen fallar al no garantizar la reproducibilidad porque no retienen rigurosamente las definiciones del estudio, los estados intermedios y las decisiones de recuperación. En los análisis de SMEFT, que involucran pasos computacionalmente intensivos como la generación de elementos de matriz, el escaneo de coeficientes completos y la selección mediante aprendizaje automático (ML), incluso cambios menores no documentados pueden invalidar las comparaciones entre coeficientes o hacer que los cálculos sean irreproducibles.

Metodología
Los autores presentan SMEFT-Pheno-Agent, un flujo de trabajo basado en Python impulsado por un agente de IA de lenguaje natural. El sistema emplea una arquitectura de tres niveles diseñada para separar la intención flexible del cómputo determinista:

Representación Estructurada de Tareas: El agente actúa como planificador y orquestador. Acepta una única entrada de lenguaje natural bilingüe (inglés/chino) para definir el estudio (proceso, modelo, energía del haz, luminosidad, detector, etc.).
Cómputo Determinista: El agente delega todos los cálculos numéricos a herramientas de dominio validadas. No realiza cálculos de elementos de matriz, simulaciones de detector o inferencias estadísticas por sí mismo. En su lugar, genera archivos de configuración inmutables (por ejemplo, run_config.json) e invocaciones de adaptadores para herramientas como MadGraph5_aMC@NLO, Delphes y MLAnalysis.
Auditoría de la Cadena de Evidencia: El sistema mantiene un registro de solo adición y manifiestos de fase. Cada artefacto generado por el LLM (archivos de parámetros, elecciones de observables, selecciones de algoritmos, borradores de prosa) se registra en manifiestos legibles por máquina antes de la ejecución. Esto asegura que todo el cálculo pueda ser reproducido de manera determinista sin tener que invocar nuevamente al LLM.

El flujo de trabajo está estructido como un pipeline de doce fases (Figura 1):

Fases 1–6 (Construcción del Estudio): Incluye la entrada bilingüe, validación del entorno, verificación de sensibilidad de operadores, generación de la línea base del Modelo Estándar (SM), creación de muestras de eventos puros y escaneo de coeficientes.
Fases 7–9 (Análisis e Inferencia): Cubre el entrenamiento y puntuación de ML, optimización de selección (usando una regla de "anclaje fijo" para asegurar una comparación consistente entre coeficientes) y derivación de intervalos estadísticos mediante ajuste cuadrático e inversión de significancia de Poisson asintótica.
Fases 10–12 (Reproducibilidad y Auditoría): Ensambla la evidencia del manuscrito, empaqueta un replay numérico autónomo y realiza una auditoría de autoconsistencia de la cadena de artefactos.

Las restricciones técnicas clave incluyen:

Recuentos de Eventos Bloqueados: Los presupuestos de eventos se fijan durante la entrada y no pueden redimensionarse silenciosamente.
Selección de ML con Anclaje Fijo: Para mantener la comparabilidad entre operadores, el flujo de trabajo puede bloquear un par específico de algoritmo y umbral (derivado de un operador "ancla") para todos los escaneos subsiguientes, en lugar de optimizar por cada operador.
Límites Estrictos de Herramientas: El agente no puede modificar parámetros físicos fuera de la configuración bloqueada; todos los resultados numéricos son producidos únicamente por las herramientas especialistas registradas.

Resultados Clave
El artículo demuestra las capacidades del sistema mediante una ejecución de referencia para un proceso de colisionador de muones ( $\mu^+\mu^- \to \nu_\mu\bar{\nu}_\mu jj$ a $\sqrt{s} = 10$ TeV).

Ejecución del Flujo de Trabajo: El agente guio con éxito el sistema a través de las doce fases, generando muestras de eventos, entrenando modelos de ML (comparando AdaBoost, Isolation Forest, Random Forest y Gradient Boosting) y derivando restricciones estadísticas.
Selección de ML: Para el ancla de referencia ( $O_{gT,0}$ ), se seleccionó AdaBoost con un umbral de $t=0.78$ , ya que produjo el intervalo estadístico finito más estrecho ( $S_{stat}=2$ ).
Reproducibilidad: El sistema produjo un "paquete de replay" completo que contiene configuraciones congeladas, comandos ordenados y sumas de verificación (checksums), lo que permite que los resultados numéricos se regeneren en un directorio nuevo.
Auditoría: La Fase 12 confirmó que todos los artefactos declarados existían, se analizaban correctamente y mantenían la consistencia a través de los identificadores de operador y los recuentos de eventos.

Significancia y Reivindicaciones
Los autores posicionan a SMEFT-Pheno-Agent no como un reemplazo para el modelado físico o el software numérico, sino como un mecanismo para hacer que la transición de una "intención bien especificada a llamadas de herramientas validadas" sea explícita e inspeccionable.

Reproducibilidad: La contribución principal es un marco de ejecución reproducible para la fenomenología de un solo coeficiente de SMEFT. Al documentar todas las decisiones del LLM en los manifiestos antes de la ejecución, el sistema establece una trazabilidad de auditoría completa.
Eficiencia de Orquestación: El sistema automatiza los "traspasos" entre herramientas, la selección de características basada en datos y el escaneo de umbrales, eliminando la carga cognitiva de aprender interfaces dispares y reduciendo el riesgo de deriva de configuración silenciosa.
Modestia de Alcance: El artículo establece explícitamente que los artefactos del colisionador de muones son una "demostración de software representativa" en lugar de un resultado físico central o un reemplazo para el análisis fenomenológico dedicado. La implementación actual se centra en escenarios de un solo operador; los ajustes globales con coeficientes correlacionados y de incertidumbre sistemática se señalan como extensiones futuras.
Rol del Agente: El trabajo refuerza la visión de que el papel útil de un agente de IA en la ciencia es gestionar el flujo de trabajo y la cadena de evidencia, dejando el "núcleo numérico" a herramientas deterministas e independientemente inspeccionables.

Más como este