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

ALETHEIA è un framework autonomo e auto-completo che impiega un ciclo di apprendimento attivo per costruire iterativamente modelli fondativi di fisica invarianti per permutazione (ManifoldInformer) per l'Alta Energia, identificando e incorporando automaticamente nuovi operatori della Teoria dell'Effetto Campo Efficace del Modello Standard basandosi sull'analisi dei residui fino a quando il modello raggiunge l'apprendimento completo.

L'essenziale

Immagina di dover insegnare a un robot a comprendere un paesaggio complesso e invisibile chiamato "Fisica". Questo paesaggio non è fatto di montagne e fiumi, ma di regole e forze invisibili che governano il comportamento delle particelle. Il documento presenta uno strumento chiamato ALETHEIA (dal greco "Verità") che agisce come un esploratore a guida autonoma in questo paesaggio.

Ecco come funziona, suddiviso in concetti semplici:

1. L'Obiettivo: Mappare un Mondo Invisibile

Gli scienziati hanno una "mappa" di come l'universo dovrebbe funzionare (il Modello Standard), ma sospettano che esistano caratteristiche nascoste che non hanno ancora trovato. Queste caratteristiche nascoste sono come nuovi ingredienti in una ricetta. L'obiettivo è costruire un modello che possa imparare esattamente quali siano questi ingredienti e come cambino il sapore dell'universo, usando solo i dati delle collisioni di particelle.

2. I Due Lavori: "Riempire i Vuoti" vs. "Aggiungere Nuove Stanze"

Il documento sostiene che la maggior parte dei metodi precedenti cercava di fare due lavori molto diversi contemporaneamente, confondendo il robot. ALETHEIA separa questi compiti in due ruoli distinti:

• Lavoro A: Il "Fissaggio" (Apprendimento Attivo)
  Immagina di avere un puzzle con alcuni pezzi mancanti. Sai dove vanno i pezzi mancanti, devi solo trovarne la forma esatta. Questo è ciò che fa la parte di "Apprendimento Attivo". Essa osserva l'attuale modello e chiede: "Se testo questo specifico scenario, mi aiuterà a fissare i numeri (coefficienti) per le regole che già conosco?". Sceglie i casi di test più utili per rendere il modello preciso.
• Lavoro B: L' "Architetto" (Espansione della Fisica)
  Ora immagina di renderti conto che al tuo puzzle manca un intero settore dell'immagine, non solo alcuni pezzi. Non puoi indovinarlo solo guardando i vuoti; devi guardare la forma dell'errore. Questo è il compito della "Fisica". ALETHEIA osserva ciò che il modello ha sbagliato (il "residuo"). Se l'errore presenta un pattern specifico, il sistema sa che deve essere aggiunta una nuova "regola" (operatore) al modello. Non va a tentativi; legge il progetto dell'errore.

3. Il Motore: Il "ManifoldInformer"

Il cervello di questo sistema è una rete neurale speciale chiamata ManifoldInformer.

• Pensalo come un traduttore che prende un ammasso caotico di dati di collisione di particelle (che non hanno un ordine) e lo trasforma in un riassunto pulito e organizzato.
• È "permutazione-invariante", il che significa che non importa se le particelle arrivano nell'ordine A-B-C o C-B-A; il riassunto rimane lo stesso.
• Impara a prevedere la "forma" delle regole fisiche così accuratamente da poter ricostruire matematicamente la teoria sottostante con una precisione quasi perfetta (99,9%).

4. Il Ciclo: Come Impara

ALETHEIA opera in un ciclo continuo, come un GPS che si corregge da solo:

1. Test: Sceglie uno scenario specifico da testare (un "punto di lavoro").
2. Controllo: Confronta la sua previsione con i dati reali.
3. Rilevamento: Osserva l'impronta digitale dell'errore.
   • Se l'errore è solo un piccolo sussulto nei numeri, entra in gioco il lavoro di "Fissaggio" per correggere i numeri.
   • Se l'errore rivela una direzione completamente nuova che il modello non comprende, entra in gioco il lavoro dell' "Architetto". Esso aggiunge una nuova "stanza" al modello per gestire quella nuova direzione.
4. Ripetizione: Continua finché il modello non è così completo che aggiungere nuove regole non cambia più nulla.

5. La Metrica "Magica": Il Valore Singolare

Come fa il sistema a sapere quando ha finito? Utilizza uno strumento matematico chiamato Decomposizione dei Valori Singolari (pensa a un "test di resistenza" per il modello).

• Immagina il modello come una rete che cattura pesci. Se c'è un grosso buco nella rete, un pesce grande (un errore grande) scivolerà attraverso.
• Il sistema misura la dimensione del pesce più grande che scivola via.
• Quando il sistema aggiunge una nuova regola, quel "pesce grande" improvvisamente si rimpicciolisce in un minuscolo pesciolino.
• Il documento mostra che dopo quattro round di aggiunta di nuove regole, il "pesce grande" si rimpicciolisce di un fattore di 150. Quando i pesci diventano così piccoli da essere più piccoli del rumore dell'acqua, il sistema sa: "Abbiamo mappato l'intero paesaggio. Abbiamo finito."

6. Il Risultato: Una Mappa Auto-Completa

Il documento dimostra questo processo su un tipo specifico di collisione di particelle (Drell-Yan).

• La Gerarchia: Ha prima imparato le regole "grandi" (gli operatori a quattro fermioni) che cambiano significativamente l'energia delle particelle.
• Le Regole Sottili: Una volta padroneggiate queste, ha sbloccato le regole "sottili" (gli operatori di vertice) che sono come piccoli aggiustamenti all'angolo delle particelle.
• La Prova: Il sistema ha saputo di aver finito non perché un essere umano glielo abbia detto, ma perché l'aggiunta delle regole sottili non ha causato la comparsa di nuovi "pesci grandi". Il modello era "span-completo": aveva catturato l'intera forma della fisica.

Riassunto

ALETHEIA è uno scienziato a guida autonoma. Non si limita a indovinare quale nuova fisica possa esistere; costruisce un modello, controlla dove fallisce e aggiunge automaticamente esattamente le nuove regole necessarie per correggere quei fallimenti. Continua a farlo finché il modello non è perfetto, e utilizza una traccia di audit digitale (chiamata Phoenix) per dimostrare, in tempo reale, di aver appreso la verità in modo corretto e completo.

Concetto Chiave: Separa il compito di "affinare i numeri" dal compito di "scoprire nuove regole", permettendo all'IA di costruire una mappa completa e accurata di una fisica complessa senza l'intervento umano.

Sommario tecnico

Sintesi Tecnica: ALETHEIA – Ciclo Autonomo per la Teoria Sperimentale e l'Inferenza HEP su dati

Problema
Il documento affronta la sfida di automatizzare il ciclo scientifico di proposta di modelli, generazione di dati e aggiustamento del modello in Fisica delle Alte Energie (HEP). Nello specifico, mira all'inferenza di modelli di fondazione della fisica da dati che rappresentano varietà fisiche sconosciute, come quelle descritte dalla Standard Model Effective Field Theory (SMEFT). Una difficoltà chiave in questo dominio è distinguere tra due compiti confusi nella letteratura esistente: completare una rappresentazione (fissare i coefficienti per un set prefissato di operatori) ed espandere una rappresentazione (determinare quali nuovi operatori o gradi di libertà mancano). Il documento sostiene che l'apprendimento attivo sia ben adatto al primo caso, ma inadatto al secondo quando le direzioni mancanti sono debolmente identificate, rendendo necessaria una separazione di questi ruoli.

Metodologia
Gli autori propongono ALETHEIA, uno strumento auto-completo che automatizza l'apprendimento di varietà fisiche attraverso un ciclo di apprendimento attivo. Il sistema è costruito attorno a tre componenti core:

1. Il ManifoldInformer (Modello di Fondazione):

   • Una nuova architettura neurale progettata per rappresentazioni per-evento e invarianti per permutazione.
   • Utilizza un encoder per-evento condiviso ($\psi_\theta$) che elabora vettori cinematici (es. $\log m_{\ell\ell}, \cos \theta^*$) tramite Deep Sets o pooling di Energy-Flow.
   • Una testa di regolarizzazione (ridge head) in forma chiusa risolve per la coordinata della varietà $w_\theta(c)$ per un dato punto di lavoro $c$ (coefficienti di Wilson) utilizzando un sistema lineare $(K^\top K + \alpha I)^{-1}K^\top V$.
   • Lo spazio latente è addestrato per recuperare la geometria di morphing analitica della SMEFT, specificamente i termini di interferenza lineare (tangenti) e i termini di curvatura dell'ampiezza quadratica, validati tramite sonde lineari.

2. Il Ciclo "Complete-Then-Expand" (Completa-Poi-Espandi):
   Il ciclo separa i compiti di acquisizione ed espansione:

   • Acquisizione (AL Completa): Dato un contenuto di operatori fisso, una regola di acquisizione (specificamente una regola di energia residua o EPIG) seleziona i punti di lavoro che massimizzano l'energia "fuori dallo span" (out-of-span). Questo fissa i coefficienti del modello utilizzando meno campioni rispetto al campionamento casuale.
   • Espansione (La Fisica Espande): Il sistema monitora un impronta digitale residua-SVD. Calcola l'operatore residuo $R$ (la parte del rapporto di log-verosimiglianza non catturata dall'encoder corrente). Se il valore singolare principale $\sigma_1$ di $R$ supera un pavimento di completamento $\tau$, il sistema esegue una $\psi$-estensione: appende la direzione residua dominante $u_1$ allo spazio delle caratteristiche dell'encoder.
   • Sblocco degli Operatori: L'espansione del contenuto degli operatori non è guidata dalla regola di acquisizione, ma dal power counting della SMEFT. Il ciclo completa la varietà di ordine superiore (es. operatori a quattro fermioni) prima di sbloccare i livelli sub-dominanti (es. operatori di vertice).

3. Monitoraggio e Controllo:
   L'intero processo è strumentato utilizzando gli span di Arize-Phoenix. Il ciclo monitora la traccia di $\sigma_1$ e il rapporto $\sigma_1/\sigma_2$.

   • "Imparando Correttamente": Verificato quando una $\psi$-estensione causa un immediato e significativo collasso di $\sigma_1$ (es. una riduzione di un fattore 31).
   • "Imparato Completamente": Verificato quando $\sigma_1$ scende al di sotto del livello di rumore e vi rimane anche dopo lo sblocco di nuovi livelli di operatori, indicando che la varietà è span-completa.

Risultati Chiave
Il metodo è stato dimostrato su un processo di Drell-Yan a corrente neutra con operatori SMEFT di dimensione sei (quattro operatori a quattro fermioni e quattro operatori di vertice) utilizzando un oracle analitico.

• Recupero Latente: Lo spazio latente del ManifoldInformer ha recuperato le tangenti di morphing analitiche con $R^2 = 0.99999$ e le curvature con $R^2 = 0.954$, confermando che l'encoder cattura l'esatta geometria analitica.
• Collasso Residuo: Partendo da un encoder basato solo sulla massa ($D_\psi=5$), il ciclo ha eseguito quattro estensioni ($D_\psi: 5 \to 9$). La prima estensione ha fatto collassare il picco del valore singolare residuo da 5.36 a 0.173 (un fattore 31). Attraverso tutte e quattro le estensioni, $\sigma_1$ è sceso da 4.03 a 0.026 (un fattore di $\sim 150$).
• Span-Completezza: Dopo le quattro estensioni, $\sigma_1$ è rimasto al di sotto del pavimento di completamento ($\tau=0.30$). Quando sono stati sbloccati gli operatori di vertice sub-dominanti, non sono state innescate ulteriori estensioni, dimostrando che la base costruita per il livello principale già copriva lo span della struttura angolare del livello sub-dominante.
• Efficienza: Il braccio di acquisizione dell'energia residua ha raggiunto lo stato di completamento non più tardi di un braccio di acquisizione casuale (mediana 5 cicli contro 6), sebbene la metrica primaria fosse la correttezza e la completezza piuttosto che la pura velocità di campionamento.

Significatività e Rivendicazioni
Il documento afferma che ALETHEIA fornisce un quadro rigoroso per i modelli di fondazione della fisica auto-completi. I suoi contributi primari sono:

1. Separazione dei Ruoli: Separa il compito di "fissare i coefficienti" (gestito dall'apprendimento attivo) da quello di "selezionare nuovi operatori" (gestito dalla struttura residua e dal power counting). Ciò evita che la regola di acquisizione ipotizzi la direzione fisica errata.
2. Segnature Operative di Completezza: Introduce un metodo per leggere "imparando correttamente" e "imparato completamente" direttamente dalla traccia monitorata ($\sigma_1$ collapse e stabilità), invece di affidarsi ad analisi post-hoc o asserzioni.
3. Generalizzabilità: L'architettura è presentata come generalizzabile a qualsiasi scenario con una struttura generativa esatta (come il morphing polinomiale della SMEFT) che permetta di ordinare la complessità del modello.

Gli autori dichiarano esplicitamente modestia riguardo alla velocità di campionamento su questo specifico oracle analitico, notando che il vantaggio dell'apprendimento attivo rispetto al campionamento casuale si prevede manifesterà principalmente in scenari con simulatori costosi e dimensioni di operatori più elevate. Il contributo centrale è il diagnostico di completezza e la separazione della logica di acquisizione ed espansione.