Large Language Model-Assisted Framework for BSM Model Building

Sintesi Tecnica: Framework per la costruzione di modelli BSM assistito da Large Language Model

Definizione del Problema
La costruzione di modelli teorici per la fisica oltre il Modello Standard (BSM) è un processo laborioso e soggetto a errori. Mentre il Modello Standard (SM) è ben consolidato, estenderlo richiede l'aggiunta di nuovi campi scalari e/o fermionici e la derivazione manuale dell'intero set di operatori rinormalizzabili e invarianti per la gauge. Man mano che il numero di nuovi campi aumenta, la complessità combinatoria nell'identificare i termini di interazione ammessi, verificare la coerenza delle anomalie di gauge, espandere gli operatori nei campi componenti e derivare le matrici di massa della rottura della simmetria elettrodebole (EWSB) cresce rapidamente. Questo flusso di lavoro manuale porta spesso all'omissione di operatori rilevanti o all'inclusione di termini linearmente dipendenti, creando una barriera all'esplorazione efficiente dei modelli, in particolare per studenti e ricercatori che sviluppano estensioni complesse.

Metodologia
Gli autori introducono bsm_agent, un framework Python open-source che integra un backend fisico simbolico deterministico con uno strato di orchestrazione basato su Large Language Model (LLM). Il sistema è progettato per separare l'intento conversazionale dal calcolo fisico per garantire riproducibilità e rigore.

1. Backend Simbolico Deterministico:

   • Livello di Campi e Gruppi: Definisce il contenuto dei campi dello SM e supporta estensioni con arbitrarie cariche iperbariche $U(1)_Y$, rappresentazioni $SU(2)_L$ fino alla dimensione 7 e rappresentazioni $SU(3)_c$ fino all'ottetto adiacente.
   • Costruzione del Modello: Genera automaticamente l'intero basis di operatori rinormalizzabili (dimensione $\leq 4$) invarianti per la gauge (potenziale scalare, Yukawa, massa fermionica) basandosi esclusivamente sui numeri quantici dei nuovi campi. Impiega algoritmi gruppoteorici per gestire le contrazioni degli indici $SU(2)$e$SU(3)$ utilizzando coefficienti di Clebsch-Gordan e tensori invarianti.
   • Controllo delle Anomalie: Calcola i coefficienti di anomalia standard ($SU(3)^3$, $SU(2)^2 U(1)$, ecc.) sommando su fermioni di Weyl sinistorotori.
   • Espansione ed EWSB: Espande gli operatori invarianti per la gauge nei campi componenti espliciti. Applica i valori di vuoto (VEV) alle componenti scalari neutre per derivare le condizioni stazionarie e le matrici di massa al livello dell'albero per scalari e fermioni.
   • Ottimizzazione: Include ottimizzazioni sensibili alle rappresentazioni, come basi Bose-simmetrizzate ridotte per multipletti scalari ripetuti e costruzioni in base ad adjoint per ottetti di colore, per mitigare i problemi di scalabilità computazionale.

2. Livello di Interazione Assistito da LLM:

   • Orchestrazione: L'LLM funge esclusivamente da interfaccia e router di strumenti. Interpreta le richieste in linguaggio naturale (ad es., "costruisci un modello con un fermione singoletto"), valida l'intento dell'utente e gestisce i passaggi di conferma per input ambigui (ad es., chiarire se un campo è reale o complesso).
   • Chiamata di Strumenti (Tool Calling): L'LLM attiva specifici strumenti del backend (costruzione del modello, generazione di report, estrazione della matrice di massa) tramite un'interfaccia strutturata di chiamata degli strumenti.
   • Vincoli: Fondamentalmente, l'LLM non genera mai la Lagrangiana, i coefficienti di anomalia o le matrici di massa. Questi sono calcolati interamente dal backend simbolico per prevenire allucinazioni e garantire la correttezza fisica.
   • Agnosticismo del Provider: Il framework supporta l'inferenza locale tramite Ollama, server remoti auto-ospitati e API commerciali (OpenAI, Anthropic).

Contributi Chiave

• Generazione Automatica degli Operatori: Il framework elimina la necessità di enumerazione manuale dei termini di interazione. Forniti solo i numeri quantici dei nuovi campi, esso costruisce la completa Lagrangiana rinormalizzabile.
• Architettura Ibrida: Stabilisce un paradigma robusto in cui un LLM gestisce la comprensione del linguaggio naturale e la gestione del workflow, mentre un motore simbolico deterministico (costruito su SymPy) esegue tutti i calcoli fisici.
• Pipeline di Analisi Completa: Il pacchetto automatizza l'intero workflow, dalla specifica dei campi alla generazione di report pronti per la pubblicazione in PDF contenenti Lagrangiane espanse, controlli delle anomalie e matrici di massa.
• Flessibilità nell'Input: Gli utenti possono specificare i modelli tramite linguaggio naturale, incluse descrizioni complesse di numeri quantici (ad es., "anti-sestetto di colore, tripletto debole"), senza aderire a una sintassi rigida.

Risultati
Il documento dimostra le capacità del framework attraverso diversi casi studio:

• Validazione dello Standard Model: Riproduce con successo la Lagrangiana dello SM, il settore Yukawa e le matrici di massa, confermando la correttezza dell'espansione e della logica EWSB.
• Estensioni Semplici: Costruisce modelli con neutrini destrorotori e singoletti scalari, verificando lo stato privo di anomalie e generando i corretti termini di interazione.
• Modello Leptoquark Complesso: Un benchmark significativo coinvolge un modello contenente cinque distinti leptoquark scalari con varie rappresentazioni $SU(3)_c \times SU(2)_L \times U(1)_Y$. Il pacchetto costruisce un modello con 14 termini cinetici, 73 termini del potenziale scalare e 14 termini Yukawa in meno di un minuto. La Lagrangiana espansa e le matrici di massa derivate mostrano di essere in accordo con la letteratura stabilita (specificamente il Riferimento [33]), validando la gestione di complesse contrazioni di gauge e convenzioni di fase.
• Performance: I benchmark indicano che, sebbene il tempo di calcolo scali con la dimensione della rappresentazione (ad es., ottetti di colore o multipletti $SU(2)$ ad alta dimensione), il framework rimane pratico per modelli fenomenologicamente rilevanti, completando spesso la costruzione e l'espansione in secondi o minuti.

Significatività e Rivendicazioni
Gli autori affermano che bsm_agent occupa una nicchia distinta nell'ecosistema software BSM automatizzando la fase di pre-implementazione della costruzione dei modelli. A differenza degli strumenti esistenti (ad es., SARAH, FeynRules) che richiedono agli utenti di definire manualmente la struttura delle interazioni o la Lagrangiana, bsm_agent parte dall'input minimo dei numeri quantici dei campi.

Il documento sottolinea che questo approccio:

1. Riduce l'Overhead Tecnico: Rende accessibili metodologie avanzate di costruzione di modelli a studenti e utenti didattici senza sacrificare il rigore richiesto dalla ricerca.
2. Garantisce la Riproducibilità: Separando rigorosamente l'LLM (orchestrazione) dal backend simbolico (computazione), il framework garantisce che i risultati fisici siano deterministici e privi di allucinazioni dell'IA.
3. Accelera la Scoperta: Permette ai ricercatori di prototipare rapidamente e analizzare estensioni complesse del Modello Standard che sarebbero faticose da costruire manualmente.

Il lavoro si posiziona non come un sostituto degli strumenti simbolici stabiliti, ma come un'interfaccia in linguaggio naturale che abbassa la barriera d'ingresso all'uso di tali strumenti, facilitando così l'esplorazione di una più ampia varietà di scenari BSM fenomenologicamente interessanti.