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

ALETHEIA est un cadre autonome et auto-complétable qui emploie une boucle d'apprentissage actif pour construire de manière itérative des modèles de fondation de la physique invariants par permutation (ManifoldInformer) pour la haute énergie, identifiant et incorporant automatiquement de nouveaux opérateurs de la théorie effective du modèle standard basés sur l'analyse des résidus jusqu'à ce que le modèle atteigne un apprentissage complet.

L'essentiel

Imaginez que vous essayiez d'apprendre à un robot à comprendre un paysage complexe et invisible appelé « Physique ». Ce paysage n'est pas fait de montagnes et de rivières, mais de règles et de forces invisibles qui régissent le comportement des particules. Le document présente un outil appelé ALETHEIA (le grec pour « Vérité ») qui agit comme un explorateur autonome dans ce paysage.

Voici comment cela fonctionne, décomposé en concepts simples :

1. L'objectif : Cartographier un monde invisible

Les scientifiques possèdent une « carte » de la manière dont l'univers devrait fonctionner (le Modèle Standard), mais ils soupçonnent l'existence de caractéristiques cachées qu'ils n'ont pas encore trouvées. Ces caractéristiques cachées sont comme de nouveaux ingrédients dans une recette. L'objectif est de construire un modèle capable d'apprendre exactement quels sont ces ingrédients et comment ils changent le goût de l'univers, en utilisant uniquement des données de collisions de particules.

2. Les deux tâches : « Combler les lacunes » vs « Ajouter de nouvelles pièces »

Le document soutient que la plupart des méthodes précédentes essayaient de faire deux tâches très différentes en même temps, ce qui de confusion le robot. ALETHEIA sépare ces rôles en deux fonctions distinctes :

• Tâche A : Le « Fixage » (Apprentissage Actif)
  Imaginez que vous avez un puzzle avec quelques pièces manquantes. Vous savez où vont les pièces manquantes, vous devez juste trouver leur forme exacte. C'est ce que fait la partie « Apprentissage Actif ». Elle examine le modèle actuel et demande : « Si je teste ce scénario spécifique, cela m'aidera-t-il à fixer les nombres (coefficients) pour les règles que je connais déjà ? » Elle choisit les cas de test les plus utiles pour rendre le modèle précis.
• Tâche B : L'« Architecte » (Expansion de la Physique)
  Maintenant, imaginez que vous réalisez que votre puzzle manque une section entière de l'image, et pas seulement quelques pièces. Vous ne pouvez pas deviner cela en regardant simplement les vides ; vous devez regarder la forme de l'erreur. C'est la partie « Physique ». ALETHEIA regarde ce que le modèle a raté (le « résidu »). Si l'erreur ressemble à un motif spécifique, elle sait qu'une nouvelle « règle » (opérateur) doit être ajoutée au modèle. Elle ne devine pas ; elle lit le plan de l'erreur.

3. Le moteur : Le « ManifoldInformer »

Le cerveau de ce système est un réseau de neurones spécial appelé ManifoldInformer.

• Considérez-le comme un traducteur qui prend un tas chaotique de données de collisions de particules (qui n'ont aucun ordre) et les transforme en un résumé propre et organisé.
• Il est « invariant par permutation », ce qui signifie que peu importe si les particules arrivent dans l'ordre A-B-C ou C-B-A, le résumé est le même.
• Il apprend à prédire la « forme » des règles de la physique si précisément qu'il peut reconstruire mathématiquement la théorie sous-jacente avec une précision quasi parfaite (99,9 %).

4. La boucle : Comment il apprend

ALETHEIA fonctionne selon un cycle continu, comme un GPS qui s'auto-corrige :

1. Tester : Il choisit un scénario spécifique à tester (un « point de travail »).
2. Vérifier : Il compare sa prédiction aux données réelles.
3. Détecter : Il examine l'« empreinte digitale » de l'erreur.
   • Si l'erreur est juste un petit tremblement dans les chiffres, la tâche de « Fixage » intervient pour corriger les nombres.
   • Si l'erreur révèle une toute nouvelle direction que le modèle ne comprend pas, la tâche de l'« Architecte » intervient. Elle ajoute une nouvelle « pièce » au modèle pour gérer cette nouvelle direction.
4. Répéter : Il continue ainsi jusqu'à ce que le modèle soit si complet que l'ajout de nouvelles règles ne change plus rien.

5. La métrique « Magique » : La Valeur Singulière

Comment le système sait-il quand il a terminé ? Il utilise un outil mathématique appelé Décomposition en valeurs singulières (considérez cela comme un « test de résistance » pour le modèle).

• Imaginez le modèle comme un filet qui attrape des poissons. S'il y a un grand trou dans le filet, un gros poisson (une erreur importante) s'échappera.
• Le système mesure la taille du plus gros poisson qui s'échappe.
• Lorsque le système ajoute une nouvelle règle, ce « gros poisson » rétrécit soudainement pour devenir un minuscule alevin.
• Le document montre qu'après quatre cycles d'ajout de nouvelles règles, le « gros poisson » a diminué d'un facteur de 150. Quand les poissons deviennent si petits qu'ils sont plus petits que le bruit de l'eau, le système sait : « Nous avons cartographié tout le paysage. Nous avons terminé. »

6. Le résultat : Une carte auto-complète

Le document démontre cela sur un type spécifique de collision de particules (Drell-Yan).

• La Hiérarchie : Il a d'abord appris les « grandes » règles (les opérateurs de quatre fermions) qui modifient considérablement l'énergie des particules.
• Les Règles Subtiles : Une fois celles-ci maîtrisées, il a débloqué les règles « subtiles » (les opérateurs de vertex) qui sont comme de minuscules ajustements de l'angle des particules.
• La Preuve : Le système a su qu'il avait fini non pas parce qu'un humain lui a dit de s'arrêter, mais parce que l'ajout des règles subtiles n'a pas provoqué l'apparition de nouveaux « gros poissons ». Le modèle était « complet en étendue » (span-complete) : il avait capturé toute la forme de la physique.

Résumé

ALETHEIA est un scientifique autonome. Il ne se contente pas de deviner quelle nouvelle physique pourrait exister ; il construit un modèle, vérifie là où il échoue, et ajoute automatiquement les règles exactes et appropriées pour corriger ces échecs. Il continue ainsi jusqu'à ce que le modèle soit parfait, et il utilise une « piste d'audit » numérique (appelée Phoenix) pour prouver, en temps réel, qu'il a appris la vérité correctement et complètement.

Point clé à retenir : Il sépare la tâche de « l'ajustement des nombres » de celle de la « découverte de nouvelles règles », permettant à l'IA de construire une carte complète et précise d'une physique complexe sans intervention humaine.

Résumé technique

Résumé Technique : ALETHEIA – Boucle Autonome pour la Théorie Expérimentale et l'Inférence HEP à travers les données

Énoncé du Problème
L'article traite du défi de l'automatisation du cycle scientifique de proposition de modèles, de génération de données et d'ajustement de modèles en physique des hautes énergies (HEP). Plus précisément, il cible l'inférence de modèles de fondation de la physique à partir de données représentant des variétés physiques inconnues, telles que celles décrites par la théorie effective du modèle standard (SMEFT). Une difficulté majeure dans ce domaine est de distinguer deux tâches confondues dans la littérature existante : compléter une représentation (fixer les coefficients pour un ensemble d'opérateurs donnés) et étendre une représentation (déterminer quels nouveaux opérateurs ou degrés de liberté sont manquants). L'article soutient que l'apprentissage actif est bien adapté au premier cas, mais mal adapté au second lorsque les directions manquantes sont faiblement identifiées, nécessitant ainsi une séparation de ces rôles.

Méthodologie
Les auteurs proposent ALETHEIA, un outil auto-complétant qui automatise l'apprentissage des variétés physiques via une boucle d'apprentissage actif. Le système est construit autour de trois composantes centrales :

1. Le ManifoldInformer (Modèle de Fondation) :

   • Une nouvelle architecture neuronale conçue pour des représentations par événement, invariantes par permutation.
   • Il utilise un encodeur par événement partagé ($\psi_\theta$) qui traite les vecteurs cinématiques (ex: $\log m_{\ell\ell}, \cos \theta^*$) via des méthodes Deep Sets ou un pooling de type Energy-Flow.
   • Une tête de régression Ridge à forme fermée résout la coordonnée de la variété $w_\theta(c)$ pour un point de travail $c$ donné (coefficients de Wilson) en utilisant un système linéaire $(K^\top K + \alpha I)^{-1}K^\top V$.
   • L'espace latent est entraîné pour récupérer la géométrie de morphing analytique de la SMEFT, spécifiquement les termes d'interférence linéaires (tangentes) et les termes de courbure quadratiques (amplitudes au carré), validés par des sondes linéaires.

2. La Boucle "Compléter-Puis-Étendre" (Complete-Then-Expand) :
   La boucle sépare les tâches d'acquisition et d'expansion :

   • Acquisition (AL Complète) : Étant donné un contenu d'opérateurs fixe, une règle d'acquisition (spécifiquement une règle d'énergie résiduelle ou EPIG) sélectionne les points de travail qui maximisent l'énergie "hors-span" (out-of-span). Cela permet de fixer les coefficients du modèle avec moins d'échantillons qu'un échantillonnage aléatoire.
   • Expansion (La Physique Étend) : Le système surveille une empreinte digitale de SVD résiduelle. Il calcule l'opérateur résiduel $R$ (la partie du rapport de log-vraisemblance non capturée par l'encodeur actuel). Si la première valeur singulière $\sigma_1$ de $R$ dépasse un seuil de complétion $\tau$, le système effectue une $\psi$-extension : il ajoute la direction résiduelle dominante $u_1$ à l'espace de caractéristiques de l'encodeur.
   • Déblocage d'Opérateurs : L'expansion du contenu des opérateurs n'est pas pilotée par la règle d'acquisition mais par le comptage de puissance de la SMEFT (SMEFT power counting). La boucle complète la variété d'ordre principal (ex: opérateurs de quatre fermions) avant de débloquer les niveaux sous-jacents (ex: opérateurs de vertex).

3. Surveillance et Contrôle :
   L'ensemble du processus est instrumenté à l'aide de spans Arize-Phoenix. La boucle surveille la trace de $\sigma_1$ et le rapport $\sigma_1/\sigma_2$.

   • "Apprentissage Correct" : Vérifié lorsqu'une $\psi$-extension provoque une réduction immédiante et significative de $\sigma_1$ (par exemple, une réduction d'un facteur 31).
   • "Appris Complètement" : Vérifié lorsque $\sigma_1$ tombe sous le seuil de bruit et y reste même après le déblocage de nouveaux niveaux d'opérateurs, indiquant que la variété est complète en termes d'espace vectoriel (span-complete).

Résultats Clés
La méthode a été démontrée sur un processus de Drell-Yan à courant neutre avec des opérateurs SMEFT de dimension six (quatre opérateurs de quatre fermions et quatre opérateurs de vertex) en utilisant un oracle analytique.

• Récupération Latente : L'espace latent du ManifoldInformer a récupéré les tangentes de morphing analytiques avec un $R^2 = 0,99999$ et les courbures avec un $R^2 = 0,954$, confirmant que l'encodeur capture la géométrie analytique exacte.
• Effondrement Résiduel : Partant d'un encodeur basé uniquement sur la masse ($D_\psi=5$), la boucle a effectué quatre extensions ($D_\psi: 5 \to 9$). La première extension a fait chuter la valeur singulière résiduelle maximale de 5,36 à 0,173 (un facteur 31). À travers les quatre extensions, $\sigma_1$ est passé de 4,03 à 0,026 (un facteur d'environ 150).
• Complétude de l'Espace (Span-Completeness) : Après les quatre extensions, $\sigma_1$ est resté sous le seuil de complétion ($\tau=0,30$). Lorsque les opérateurs de vertex sous-jacents ont été débloqués, aucune nouvelle extension n'a été déclenchée, démontrant que la base construite pour le niveau principal couvrait déjà la structure angulaire du niveau sous-jacent.
• Efficacité : Le bras d'acquisition par énergie résiduelle a atteint l'état de complétion au plus tard par rapport à un bras d'acquisition aléatoire (médiane de 5 cycles contre 6), bien que la métrique principale soit la correction et la complétude plutôt que la vitesse brute d'échantillonnage.

Signification et Revendications
L'article affirme qu'ALETHEIA fournit un cadre rigoureux pour les modèles de fondation de la physique auto-complétants. Ses principales contributions sont :

1. Séparation des Rôles : Il sépare la tâche de "fixer les coefficients" (gérée par l'apprentissage actif) de celle de "sélectionner de nouveaux opérateurs" (gérée par la structure résiduelle et le comptage de puissance). Cela empêche la règle d'acquisition de deviner de mauvaises directions physiques.
2. Signatures Opérationnelles de Complétude : Il introduit une méthode pour lire l'état "apprentissage correct" et "appris complètement" directement à partir de la trace surveillée ($\sigma_1$ collapse et stabilité), plutôt que de s'appuyer sur des analyses ou des assertions a posteriori.
3. Généralisabilité : L'architecture est présentée comme généralisable à tout contexte possédant une structure générative exacte (comme le morphing polynomial de la SMEFT) permettant d'ordonner la complexité du modèle.

Les auteurs expriment explicitement de la modestie concernant l'accélération de l'échantillonnage sur cet oracle analytique spécifique, notant que l'avantage de l'apprentissage actif sur l'échantillonnage aléatoire devrait se manifester principalement dans des scénarios impliquant des simulateurs coûteux et des dimensions d'opérateurs plus élevées. La contribution centrale est le diagnostic de complétude et la séparation de la logique d'acquisition et d'expansion.