Agentic Diagrammatica: Towards Autonomous Symbolic Computation in High Energy Physics

L'article présente Diagrammatica, une extension du cadre agentic HEPTAPOD qui permet aux agents LLM d'exécuter des calculs symboliques en physique des hautes énergies en s'appuyant sur des appels d'outils à sémantique rigoureuse pour générer automatiquement du code FeynCalc et effectuer des analyses de diagrammes de Feynman.

L'essentiel

🚀 Diagrammatica : Le "Super-Assistant" qui fait les devoirs de physique pour vous

Imaginez que vous êtes un physicien des particules. Votre travail consiste à calculer des choses incroyablement complexes : comment une particule se désintègre, combien d'énergie elle libère, ou ce qui se passe lors d'une collision. Traditionnellement, pour faire ces calculs, vous devez écrire des centaines de lignes de code mathématique très précis. C'est comme essayer de construire un château de cartes avec des mains tremblantes : si vous faites une seule erreur de signe ou de convention, tout s'effondre, et personne ne le remarque tout de suite.

C'est là qu'intervient Diagrammatica, présenté dans ce papier. C'est un nouvel outil qui donne à l'intelligence artificielle (IA) des "gants de sécurité" pour faire ces calculs à votre place.

🤖 Le Problème : L'IA est brillante, mais elle fait des erreurs silencieuses

Les IA modernes (comme les grands modèles de langage) sont très douées pour écrire du code et faire des maths. Mais en physique, il y a un piège : les conventions.

• Analogie : Imaginez que vous demandez à un cuisinier robot de faire un gâteau. Il sait cuisiner, mais il y a deux façons de mesurer la farine (en grammes ou en tasses) et deux façons de définir "chaud" (Celsius ou Fahrenheit). Si le robot mélange les deux sans le dire, le gâteau sera raté, mais il aura l'air parfait à l'œil nu. C'est ce qu'on appelle une erreur silencieuse.

Dans la physique des particules, il y a des dizaines de ces "règles implicites" (comment on écrit les signes, comment on compte les spins des particules, etc.). Si on laisse l'IA écrire tout le code mathématique librement, elle risque de se tromper sur une règle, et le résultat sera faux sans qu'on s'en rende compte.

🛠️ La Solution : L'IA ne construit pas, elle commande

Au lieu de laisser l'IA écrire tout le code mathématique (ce qui est risqué), les auteurs de Diagrammatica ont créé un système où l'IA agit comme un chef d'orchestre et non comme un musicien.

Voici comment ça marche, avec une analogie simple :

1. Le Menu (La Spécification du Diagramme) :
   Au lieu de demander à l'IA d'écrire la recette complète du gâteau, on lui donne un formulaire à remplir très simple. Elle doit juste choisir :

   • "Quel est le gâteau ?" (La particule de départ).
   • "Quels sont les ingrédients ?" (Les particules de sortie).
   • "Quel type de cuisson ?" (Le type d'interaction physique).
     C'est comme commander un burger : vous choisissez "Steak", "Fromage", "Salade". Vous ne devez pas écrire le code pour couper le fromage ou griller la viande.

2. Le Chef (Le Moteur de Calcul) :
   Une fois le formulaire rempli, l'IA l'envoie à un "chef" très strict (un logiciel de calcul mathématique éprouvé). Ce chef connaît toutes les règles de cuisine par cœur. Il prend votre commande simple et exécute les calculs complexes avec une précision absolue.

   • Avantage : Si vous commandez "Steak", le chef sait exactement comment le cuire. Il n'y a pas d'erreur possible sur la façon de couper la viande, car le chef ne fait que suivre des règles fixes.

3. Deux Vitesse de Calcul :
   L'outil propose deux façons de travailler, comme un architecte qui fait d'abord un croquis rapide avant de faire les plans détaillés :

   • NDA (Estimation Rapide) : C'est comme faire une estimation mentale. "Si je mets 3 œufs, ça va faire un gros gâteau." C'est rapide et utile pour voir si ça vaut le coup de continuer.
   • EDA (Calcul Exact) : C'est le plan détaillé. Le logiciel calcule la formule mathématique exacte, symbole par symbole, pour obtenir le résultat précis.

🧪 Les Résultats : Deux défis relevés

Pour prouver que leur système fonctionne, les auteurs ont demandé à l'IA de résoudre deux problèmes difficiles, sans aucune aide humaine :

1. Le Catalogue des Désintégrations : L'IA a dû calculer les formules pour toutes les façons possibles qu'une particule peut se désintégrer en deux autres. C'était comme remplir un annuaire téléphonique de 19 pages de formules complexes. L'IA l'a fait seule, a vérifié ses propres calculs, et a même trouvé des motifs intéressants que les humains avaient oubliés.
2. L'Étude du Muon : L'IA a dû estimer la probabilité qu'un muon (une particule) se transforme en un tas d'autres particules (des électrons et des positrons). Plus il y a de particules, plus c'est compliqué (comme essayer de compter combien de façons on peut empiler des blocs Lego). L'IA a compté plus de 150 000 scénarios différents et a prédit jusqu'où les futurs expériences pourraient aller.

💡 Pourquoi c'est important ?

Ce papier montre que pour utiliser l'IA dans la science, il ne faut pas lui laisser les rênes complètes. Il faut lui donner des contraintes intelligentes.

• Avantage 1 : La Fiabilité. En forçant l'IA à choisir parmi des options valides (comme un menu à choix multiples), on élimine les erreurs bêtes.
• Avantage 2 : La Transparence. Au lieu de lire des milliers de lignes de code incompréhensible pour trouver une erreur, un humain peut juste regarder le formulaire rempli par l'IA et dire : "Ah, elle a choisi le mauvais type de particule". C'est beaucoup plus facile à vérifier.

En résumé : Diagrammatica, c'est comme donner à un assistant très intelligent un formulaire à cocher au lieu de lui laisser un stylo libre. Cela permet de faire des calculs de physique de haute précision, rapidement et sans peur de se tromper, libérant ainsi les humains pour se concentrer sur la créativité et l'interprétation des résultats.

Résumé technique

1. Le Problème : La Fiabilité du Calcul Symbolique par les Agents LLM

L'article aborde un défi fondamental dans l'application des grands modèles de langage (LLM) à la physique des hautes énergies (HEP) : la fiabilité du calcul symbolique.

• Le paradoxe de la capacité vs. la fiabilité : Bien que les LLM de pointe soient capables de manipulations symboliques impressionnantes (résolution d'intégrales, simplification d'expressions), ils échouent souvent dans les calculs théoriques multi-étapes typiques de la phénoménologie.
• La nature implicite des conventions : Contrairement au code compilé où les erreurs de syntaxe ou de type arrêtent l'exécution, le calcul symbolique repose sur des conventions mathématiques implicites (signature métrique, normalisation des spineurs, signes des dérivées covariantes, conventions de jauge, phases des matrices CKM/PMNS). Ces conventions ne sont pas encodées de manière vérifiable par le moteur de calcul backend.
• Le risque d'erreurs silencieuses : Un agent LLM agissant sans structure externe peut produire des résultats plausibles mais incorrects (termes omis, identités mal appliquées, incohérences de conventions) qui passent inaperçus car ils ne génèrent pas d'erreurs d'exécution. L'audit de tels codes libres est aussi difficile que leur rédaction.

2. Méthodologie : Diagrammatica et l'Approche Contrainte par les Outils

Les auteurs proposent Diagrammatica, une extension du framework agentic HEPTAPOD, conçue pour surmonter ces limites. L'architecture repose sur une décomposition de l'incertitude de l'agent en trois composantes : l'incertitude de la tâche ($\Delta_T$), de contexte ($\Delta_C$) et d'exécution ($\Delta_E$).

La solution principale est le calcul contraint par les outils (Tool-constrained computation) plutôt que la génération de code libre.

Architecture Clé :

1. Spécification de Diagramme Structurée (JSON) :

   • Au lieu de demander au LLM de générer du code FeynCalc libre, l'agent doit spécifier un diagramme via un objet JSON structuré et validé par un schéma.
   • Ce schéma force l'agent à choisir parmi un vocabulaire fini et physiquement significatif (types de vertex, spins, masses, couplages).
   • Cela élimine les erreurs de convention par construction : le backend (moteur symbolique) exécute l'algèbre exacte basée sur ces paramètres fixes.

2. Double Voie de Calcul (Multi-fidélité) :

   • NDA (Naive Dimensional Analysis) : Une estimation rapide de l'ordre de grandeur des largeurs de désintégration et des sections efficaces basée sur l'analyse dimensionnelle, les volumes de l'espace des phases et le comptage des puissances de couplage. Elle ne nécessite aucun logiciel externe et s'applique à des états finaux complexes ($n$-corps).
   • EDA (Exact Diagrammatic Analysis) : Un calcul exact au niveau arbre via la génération automatique de code FeynCalc (Mathematica). Elle produit des expressions symboliques complètes, des sorties LaTeX et des évaluations numériques.

3. Composants Auxiliaires :

   • FeynGraph : Un moteur d'énumération de diagrammes (écrit en Rust) qui génère automatiquement tous les diagrammes de Feynman possibles pour un processus donné et les classe par importance physique.
   • Base de Connaissances Théoriques (Skills Graph) : Une base de connaissances navigable qui fournit des conventions spécifiques au domaine au moment précis de la décision critique (injection de connaissances ciblée), réduisant l'incertitude de contexte sans surcharger la fenêtre de contexte.

3. Contributions Clés

• Changement de Paradigme : Passage de la génération de scripts libres (où la fiabilité dépend du modèle) à l'appel d'outils validés par schéma (où la fiabilité dépend de la conception de l'interface).
• Réduction de l'Entropie d'Exécution : En restreignant l'espace d'action de l'agent à un ensemble de choix physiques valides, l'entropie conditionnelle aux positions critiques est drastiquement réduite (de ~45-75 bits à ~10-17 bits), rendant les erreurs statistiques négligeables.
• Artifacts Persistants : Les scripts générés, les résultats symboliques et les métadonnées sont sauvegardés comme des artefacts persistants, permettant une traçabilité complète et un audit humain facile.
• Validation Croisée : L'utilisation simultanée de NDA (approximation) et d'EDA (exact) sur la même spécification de diagramme permet une vérification interne de la cohérence des résultats.

4. Résultats et Validation

L'architecture a été validée sur deux tâches de référence (benchmarks) exécutées de manière autonome par un agent (Claude Code) sans intervention humaine :

Tâche 1 : Catalogue Exhaustif des Largeurs de Désintégration $1 \to 2$

• Objectif : Calculer symboliquement toutes les largeurs de désintégration au niveau arbre pour des parents scalaires, fermioniques et vectoriels.
• Résultats :
  • Génération de 19 formules indépendantes couvrant 6 familles de vertex.
  • Validation réussie contre les largeurs partielles du Modèle Standard (Higgs, Z, W, Top) avec une précision de 2 à 4 % (cohérent avec les corrections d'ordre supérieur absentes au niveau arbre).
  • L'agent a identifié automatiquement des motifs physiques (comportement près du seuil, classification par onde partielle, discrimination CP scalaire/pseudoscalaire, violation de l'unité perturbative).

Tâche 2 : Étude de Sensibilité pour la Multiplicité de Désintégration du Muon

• Objectif : Déterminer le nombre maximal de paires $e^+e^-$ ($n$) observables dans la désintégration $\mu \to \nu_\mu \bar{\nu}_e + n(e^+e^-) + e^-$.
• Résultats :
  • Énumération de 150 541 diagrammes de Feynman au niveau arbre pour $n=0$ à $3$.
  • Estimation des taux de branchement via NDA et validation par MadGraph (calcul exact).
  • Frontière expérimentale : L'agent a déterminé que $n=3$ est observable avec Mu3e (Phase I), tandis que $n=4$ pourrait être à la limite de la sensibilité future (HiMB).
  • Analyse de l'interférence quantique : L'agent a noté que NDA (somme incohérente) surestime le taux pour $n=2$ par rapport à MadGraph (interférence destructive), illustrant la capacité du système à comprendre les limites des approximations.

5. Signification et Perspectives

Signification :
Ce travail démontre que l'intégration de l'IA dans la recherche scientifique fondamentale ne nécessite pas de remplacer les moteurs de calcul existants, mais de concevoir des interfaces d'outils qui encodent les conventions du domaine. Cela transforme la fiabilité d'une propriété probabiliste du modèle en une propriété structurelle de l'interface. Cela permet aux agents de réaliser des workflows théoriques complexes, auditable et reproductibles, libérant les physiciens des tâches mécaniques tout en garantissant la rigueur mathématique.

Perspectives Futures :

• Intégration fluide avec les outils de Monte Carlo (MadGraph, Pythia) pour boucler la boucle entre théorie symbolique et simulation d'événements.
• Extension aux calculs à une boucle (via Package-X) et aux modèles au-delà du Modèle Standard (BSM) via l'analyse automatique de fichiers UFO.
• Évolution vers des systèmes multi-agents spécialisés (calcul symbolique, validation Monte Carlo, comparaison de données) coordonnés par un agent de planification.

En résumé, Diagrammatica établit un nouveau standard pour le calcul symbolique autonome en physique des hautes énergies, prouvant que la contrainte par les outils est la clé pour débloquer la fiabilité des agents LLM dans des domaines à haute exigence de précision.