Agentic Diagrammatica: Towards Autonomous Symbolic Computation in High Energy Physics

Il paper presenta Diagrammatica, un'estensione simbolica del framework agenziale HEPTAPOD che abilita gli agenti LLM a pianificare ed eseguire calcoli teorici multi-step nella fisica delle alte energie, affidando le manipolazioni matematiche a un backend attendibile per garantire la correttezza attraverso specifiche diagrammatiche auditable.

L'essenziale

Immagina di dover costruire un grattacielo molto complesso. Per farlo, hai bisogno di un architetto molto intelligente (l'Intelligenza Artificiale) che sappia disegnare i piani, calcolare le strutture e scegliere i materiali. Ma c'è un problema: se dai all'architetto un foglio bianco e gli dici "Costruiscimi un grattacielo", potrebbe inventarsi cose che sembrano belle ma che crollano appena ci metti sopra un mattone.

Questo è esattamente il problema che gli scienziati del Fermilab e dell'Università dell'Alabama hanno affrontato con la fisica delle particelle.

Il Problema: L'Architetto che "Sbaglia Silenziosamente"

Nella fisica delle particelle (HEP), gli scienziati devono fare calcoli matematici complessi per prevedere come le particelle si comportano. Tradizionalmente, usano software speciali. Ultimamente, hanno provato a usare le Intelligenze Artificiali (LLM) come gli archetipi per fare questi calcoli.

Il problema è che le IA sono bravissime a scrivere codice o a parlare, ma quando devono fare matematica simbolica (quella con le formule), tendono a fare errori "silenziosi".

• L'analogia: Immagina che l'IA stia scrivendo una ricetta per una torta. Se sbaglia un segno meno in un calcolo, la torta potrebbe sembrare perfetta a occhio nudo (il testo è grammaticalmente corretto), ma quando la assaggi, è salata invece che dolce. In fisica, questo significa che il risultato sembra plausibile ma è completamente sbagliato.

La Soluzione: "Diagrammatica" e il "Cantiere Controllato"

Gli autori hanno creato uno strumento chiamato Diagrammatica. Invece di lasciare che l'IA scriva la ricetta (il codice matematico) da sola, l'hanno trasformata in un capocantiere che deve seguire regole rigide.

Ecco come funziona, usando tre metafore chiave:

1. Il Menu a Scelta Multipla (Vincoli Strumentali)

Invece di chiedere all'IA: "Scrivimi la formula per la decadenza di questa particella", gli chiedono di compilare un modulo semplice.

• Come funziona: L'IA deve solo scegliere da un elenco predefinito: "Che tipo di particella è?", "Quali sono le sue proprietà?". Non può inventare la matematica.
• L'analogia: È come andare al ristorante. Non puoi dire al cameriere: "Fammi un piatto con gli ingredienti che vuoi". Devi scegliere da un menu dove ogni piatto è già stato testato dallo chef. Se scegli "Spaghetti al pomodoro", sai che arriveranno gli spaghetti al pomodoro, non una pizza. Questo elimina il rischio che l'IA inventi una formula sbagliata.

2. I Due Livelli di Precisione (NDA ed EDA)

Diagrammatica offre due modi per calcolare le cose, a seconda di quanto tempo hai e quanto sei preciso:

• NDA (Analisi Dimensionale "Naive"): È come guardare il cielo e dire: "Sembra che stia per piovere, prendi l'ombrello". È un calcolo veloce per avere un'idea approssimativa (ordine di grandezza). Serve per capire se vale la pena fare il calcolo vero.
• EDA (Analisi Diagrammatica Esatta): È come usare un barometro e un radar per calcolare esattamente quanta pioggia cadrà e quando. Questo genera la formula matematica esatta, controllata da un computer specializzato (FeynCalc).
• L'analogia: Prima usi il "NDA" per dire: "Ok, questa particella potrebbe decadere in questo modo". Poi usi l'"EDA" per ottenere la formula esatta da pubblicare su un libro di testo.

3. La Biblioteca Intelligente (Conoscenza Mirata)

Le IA spesso si confondono perché devono ricordare troppe regole. Diagrammatica non dà all'IA un'enciclopedia intera da leggere ogni volta.

• Come funziona: Quando l'IA deve prendere una decisione difficile (es. "Quale segno usare qui?"), la biblioteca le dà solo quella specifica regola, proprio nel momento in cui ne ha bisogno.
• L'analogia: È come avere un assistente che non ti legge tutto il manuale di istruzioni del tuo nuovo telefono, ma ti sussurra all'orecchio: "Premi qui per accenderlo" proprio quando stai per premere il tasto sbagliato.

Cosa hanno fatto nella pratica? (I Test)

Per dimostrare che il sistema funziona, hanno fatto due "prove sul campo":

1. Il Catalogo delle Decadenze (Task 1): Hanno chiesto all'IA di calcolare tutti i modi possibili in cui una particella può spezzarsi in due. L'IA ha generato 19 formule diverse, le ha controllate e ha scoperto che corrispondevano perfettamente a ciò che sappiamo già sulla natura (come il decadimento del bosone di Higgs).

   • Risultato: L'IA ha lavorato come un archivista perfetto, senza errori.

2. Lo Studio del Muone (Task 2): Hanno chiesto: "Quante coppie di elettroni e positroni può creare un muone prima che il processo diventi invisibile agli esperimenti?". Qui c'erano centinaia di migliaia di combinazioni possibili.

   • Risultato: L'IA ha usato il metodo veloce (NDA) per scartare le possibilità impossibili e ha usato il metodo esatto (EDA) per confermare i risultati. Ha scoperto che fino a 3 coppie di particelle extra sono osservabili, ma dopo diventa troppo raro per essere visto.

Perché è importante?

Questo lavoro cambia il modo in cui usiamo l'IA nella scienza.

• Prima: L'IA scriveva codice e speravamo che non ci fossero errori.
• Ora: L'IA agisce come un ponte sicuro. Sceglie cosa calcolare, ma un computer specializzato fa come calcolarlo.

In sintesi, Diagrammatica non è un'IA che "sa fare matematica" da sola. È un sistema intelligente che sa come chiedere la matematica giusta a un computer, assicurandosi che non ci siano errori silenziosi. È come avere un assistente di ricerca che non sbaglia mai i calcoli, perché non gli permette di sbagliare fin dall'inizio.

Sommario tecnico

Titolo

Agentic Diagrammatica: Verso il Calcolo Simbolico Autonomo nella Fisica delle Alte Energie

1. Il Problema: L'Affidabilità nel Calcolo Simbolico con LLM

Il calcolo simbolico è un pilastro della fisica delle alte energie (HEP), ma l'integrazione di Large Language Models (LLM) in questo dominio presenta sfide uniche rispetto ad altri compiti computazionali.

• La Sfida dell'Affidabilità: A differenza del codice compilato, dove errori di sintassi o di tipo bloccano l'esecuzione, i sistemi algebrici computerizzati (CAS) non hanno meccanismi interni per verificare la correttezza delle convenzioni matematiche implicite.
• Convenzioni Nascoste: Un calcolo corretto richiede coerenza interna su scelte convenzionali critiche (es. segnatura della metrica, normalizzazione degli spinori, segno delle derivate covarianti, normalizzazione dei generatori di gauge). Gli LLM, basandosi su correlazioni statistiche dei dati di addestramento, tendono a produrre risultati "plausibili ma errati" (es. termini persi, identità applicate male, convenzioni incoerenti) quando generano codice simbolico libero.
• Limiti dell'Approccio Attuale: I modelli attuali, anche se capaci di manipolazione simbolica, falliscono nella coerenza su flussi di lavoro multi-step complessi. L'audit di codice generato liberamente per trovare tali errori è spesso più difficile che riscrivere il calcolo da zero.

2. Metodologia: Diagrammatica e Calcolo Vincolato dagli Strumenti

Gli autori introducono Diagrammatica, un'estensione simbolica del framework agentic HEPTAPOD. L'architettura si basa su una decomposizione dell'incertezza dell'agente in tre componenti: incertezza del compito ($\Delta_T$), del contesto ($\Delta_C$) e di esecuzione ($\Delta_E$).

La soluzione principale proposta è il calcolo vincolato dagli strumenti (tool-constrained computation), che mira a ridurre l'incertezza di esecuzione ($\Delta_E$) a zero strutturale.

Architettura Chiave:

1. Specificazione del Diagramma Condivide (Shared Diagram Specification):

   • Invece di chiedere all'agente di scrivere codice, l'agente genera un oggetto JSON strutturato e validato da uno schema.
   • Questo oggetto definisce il processo fisico (particelle iniziali/finali, spin, masse, tipo di vertice) utilizzando un vocabolario fisso e semantico.
   • Il backend (trusted backend) esegue l'algebra esatta basandosi su questa specifica, eliminando la possibilità di errori di convenzione.

2. Due Percorsi di Calcolo (Multi-fidelity):

   • NDA (Naive Dimensional Analysis): Fornisce stime di ordine di grandezza per larghezze di decadimento e sezioni d'urto usando analisi dimensionale, volumi dello spazio delle fasi e conteggio delle potenze di accoppiamento. È applicabile a stati finali con molteplicità arbitraria ($n$-body).
   • EDA (Exact Diagrammatic Analysis): Esegue calcoli simbolici esatti a livello ad albero (tree-level) generando automaticamente codice FeynCalc (Mathematica) dalla specifica del diagramma. Attualmente limitato a decadimenti $1 \to 2$ e scattering $2 \to 2$.

3. Componenti di Supporto:

   • FeynGraph: Un motore di enumerazione dei diagrammi di Feynman (scritto in Rust) che genera automaticamente tutti i diagrammi topologicamente distinti per un dato processo, classificandoli per importanza fisica (es. numero di propagatori pesanti).
   • Knowledge Base Navigabile (Skills Graph): Invece di caricare tutto il contesto, fornisce all'agente conoscenze mirate (regole di Feynman, identità di traccia) solo al momento della decisione critica, riducendo l'incertezza del contesto ($\Delta_C$).

3. Contributi Chiave

• Paradigma di Affidabilità: Spostamento dalla generazione di codice libero all'uso di chiamate a strumenti validati da schema che "fissano le convenzioni" per costruzione. Questo rende la correttezza una proprietà dell'interfaccia e non del modello.
• Specificazione Unificata: Un formato JSON condiviso che alimenta sia percorsi approssimati (NDA) che esatti (EDA), permettendo cross-check interni e coerenza.
• Automazione End-to-End: Dimostrazione che un agente LLM può pianificare ed eseguire flussi di lavoro teorici complessi senza intervento umano, dalla definizione del compito alla validazione dei risultati.

4. Risultati e Validazione

Il framework è stato validato su due benchmark autonomi eseguiti da un agente (Claude Code):

Task 1: Catalogo Esauriente di Larghezze di Decadimento ($1 \to 2$)

• Obiettivo: Calcolare tutte le larghezze di decadimento parziali a livello ad albero per vertici singoli tra genitori scalari, fermionici e vettoriali.
• Risultati: L'agente ha generato 19 formule indipendenti, validandole contro i dati del PDG (es. $H \to b\bar{b}$, $Z \to e^+e^-$, $t \to Wb$).
• Accuratezza: I risultati esatti (EDA) concordano con i valori del Modello Standard entro il 2-4% (differenze attribuibili a correzioni di ordine superiore non incluse nel calcolo tree-level).
• Scoperte: L'agente ha autonomamente identificato pattern fisici, come la classificazione delle onde parziali (S-wave vs P-wave) in base al comportamento vicino alla soglia e la discriminazione CP tra accoppiamenti scalari e pseudoscalari.

Task 2: Studio di Sensibilità sul Decadimento del Muone

• Obiettivo: Determinare la massima molteplicità $n$ di coppie $e^+e^-$ osservabile nel decadimento $\mu \to \nu_\mu \bar{\nu}_e + n(e^+e^-) + e^-$.
• Metodo: Enumerazione di oltre 150.000 diagrammi di Feynman e stima dei tassi tramite NDA, con cross-check su diagrammi dominanti usando MadGraph.
• Risultati:
  • L'agente ha mappato il "frontiere sperimentale", identificando che $n=2$ è misurabile con Mu3e, $n=3$ è al limite della sensibilità futura, e $n=4$ è probabilmente il limite assoluto osservabile.
  • Ha quantificato la soppressione per coppia aggiuntiva, mostrando come l'interferenza quantistica (calcolata da MadGraph) contrasti l'aumento combinatorio dei diagrammi stimato dall'NDA.
  • I risultati NDA sono stati confermati entro un fattore di 0.5-4 rispetto ai calcoli esatti di MadGraph, dimostrando l'utilità dell'NDA per la triage rapida.

5. Significato e Implicazioni

• Riduzione dell'Errore Silenzioso: L'approccio "tool-constrained" elimina intere classi di errori che sarebbero altrimenti invisibili in un approccio di generazione di codice libero, rendendo l'uso di LLM per la fisica teorica affidabile.
• Interpretabilità: Le decisioni dell'agente sono compresse in campi JSON leggibili e auditabili, a differenza di pagine di codice generato dove gli errori possono essere nascosti.
• Scalabilità: L'architettura permette di combinare stime rapide (NDA) per esplorare spazi di parametri vasti con calcoli esatti (EDA) solo dove necessario.
• Futuro: Il lavoro getta le basi per sistemi scientifici autonomi più avanzati, dove agenti specializzati possono coordinare calcoli simbolici, simulazioni Monte Carlo e analisi dati in un unico flusso di lavoro integrato.

In sintesi, Diagrammatica dimostra che l'integrazione di vincoli strutturali negli strumenti di un agente LLM è la chiave per abilitare il calcolo simbolico autonomo e affidabile nella fisica delle alte energie, superando i limiti intrinseci della generazione di testo libero.