HepScript: A Dual-Use DSL for Human-AI Collaborative Data Analysis Workflows in High-Energy Physics

本論文は、高エネルギー物理学における複雑な解析ロジックを抽象化する形式的インターフェースとして機能する二用途のドメイン固有言語「HepScript」を導入するものであり、これにより人間専門家は簡潔なコードを記述できる一方、AI エージェントは文献から実行可能な仕様を信頼性高く生成することが可能となり、その結果、手作業の負担を大幅に軽減し、従来解決が困難であった自動化の課題を解決する。

要約

以下は、論文「HepScript: 高エネルギー物理学における人間と AI の協働データ分析ワークフローのための二重用途 DSL」の解説を、アナロジーを用いた平易な日常言語に翻訳したものです。

全体像：「翻訳者」の問題

高エネルギー物理学（HEP）を、巨大で高リスクの料理コンテストだと想像してください。毎年、北京スペクトロメーター III（BESIII）実験のシェフたち（物理学者）は、山ほどの食材（ペタバイト単位のデータ）を生み出します。優勝するためには、彼らは特定の料理（データの分析）を調理し、新しい味（科学的発見）を見つけ出す必要があります。

しかし、問題があります：

1. レシピが複雑である： 「キッチン」（コンピュータソフトウェア）は信じられないほど複雑です。古い道具と最新のガジェットが混在しています。このキッチンで機能するレシピを書くには、トップシェフだけが持つ深い秘密の知識が必要です。
2. AI アシスタントは賢いが無知である： どの料理本も読み、レシピも書ける新しい AI アシスタント（大規模言語モデル）がいます。しかし、もしこの「特定のキッチン」で調理するように頼むと、よく失敗します。秘密の道具を知らず、複雑な機械に混乱し、わずかな間違いでも料理全体が焦げてしまいます。

この論文は、この問題に対する解決策としてHepScriptを紹介しています。

解決策：HepScript（「万能翻訳者」）

著者たちはHepScriptと呼ばれる新しい言語を作成しました。これは、人間のシェフと AI アシスタントの間に位置する万能翻訳者や特化型メニューのようなものです。

AI に、複雑なキッチンの言語（フランス語とドイツ語を同時に話し、ジャグリングをしながら話すようなもの）で直接コードを書くよう頼む代わりに、HepScript の注文を書くように頼みます。

仕組み：

1. 人間にとって： HepScript は、シンプルで明確な指示リストのように見えます。「赤いリンゴを選ぶ」「砂糖と混ぜる」「350 度で焼く」。その下にある恐ろしく複雑な機械はすべて隠されています。
2. AI にとって： HepScript は厳格で制限された言語（ドメイン固有言語、DSL）であるため、AI には小さく安全な遊び場を与えます。AI はキッチンの使い方を推測する必要はなく、メニューの空欄を埋めるだけで済みます。
3. 魔法のステップ： HepScript メニューが書かれると、特別な「プロセッサ」（翻訳ロボット）がそれを読み、実際のキッチンで実験を実行するために必要な複雑で技術的なコードを自動的に記述します。

「二重用途」のスーパーパワー

この論文は、HepScript が 2 人の異なる人々にとって完璧に機能するため「二重用途」と呼んでいるからです：

• 人間の専門家： 技術的な詳細に悩まされることなく、HepScript を読んで即座に物理学的な論理を理解できます。
• AI エージェント： 言語が厳格で制限されているため、AI は非常に高い精度でそれを生成できます。小説を書くよりも、厳格なフォームに記入する方が AI にとってずっと簡単です。

結果：実験室で何が起きたか

チームは、BESIII 実験からの実際の物理学論文を使ってこのシステムをテストしました。彼らが発見したことは以下の通りです：

• 人間の作業量が減少： HepScript を使用することで、人間が記述する必要があったコード量が**93%**削減されました。100 ページのマニュアルを書くことから、7 ページのチェックリストを埋めるだけの作業になったようなものです。
• AI の性能が大幅向上： 公開された物理学論文を読み、それに対する HepScript の指示を書くよう AI モデルに頼んだとき：
  • 最初の試みで、AI は約**47%**の確率で正解しました。
  • しかし、ここがポイントです：AI が間違えた場合は、もう一度試させる（「エージェントループ」を使用）ようにしました。AI はエラーを確認し、修正して再挑戦します。
  • わずか 3 回の試行後、AI は**95%**の確率で成功しました。
• 機能の証明： 彼らは AI が生成した指示を取り、システムに通して実行したところ、コンピュータは元の物理学論文からの正確なグラフと結果を成功裡に再現しました。

「ガードレール」のアナロジー

なぜこれがこれほどうまくいくのでしょうか？
AI を車だと想像してください。

• HepScript がない場合： AI はレーンも標識も速度制限もない開放的な高速道路を運転しています。事故を起こしたり迷ったりするのは容易です。
• HepScript がある場合： AI はモノレールを運転しています。軌道（HepScript の文法）が車を正しい経路に留めるよう強制します。オフロードには行けません。景色に衝突することもできません。軌道に沿って前進するだけです。これにより、旅は安全で予測可能になります。

まとめ

この論文は、シンプルで厳格な「中間言語」（HepScript）を作成することで、以前は扱えなかった複雑な科学的作業を AI に教えることができることを実証しています。それは、混沌とした開かれたコーディングの問題を、構造化された解決可能なパズルに変えます。これにより、人間と AI が協力して働くことが可能になります。人間は科学的な意図を提供し、AI はコード記述という重労働を担います。すべては、HepScript の安全で構造化されたルールによって導かれます。

技術概要

以下は、「HepScript: 高エネルギー物理学における人間と AI の協働データ分析ワークフローのための二重用途 DSL」という論文の詳細な技術的概要です。

1. 問題定義

高エネルギー物理学（HEP）は、データ量の指数関数的な増加（ペタバイトからエクサバイトへ）により、データ分析の効率において重大なボトルネックに直面しています。大規模言語モデル（LLM）は自動化の可能性を提供しますが、主に以下の 3 つの理由により、複雑な科学ワークフローを自律的に管理することに苦慮しています。

• ドメイン知識のギャップ: LLM は、複雑な多段階の物理ワークフロー（例：粒子再構成、運動量適合）を構築するために必要な深層的で暗黙的な知識を欠いています。
• 意味的ギャップ: 「分岐比を測定する」といった高レベルの分析目標と、それを実行するために必要な低レベルかつフレームワーク固有のコード（例：BOSS 用の C++、ROOT スクリプト）との間に乖離が存在します。
• 無制限の行動空間: LLM によるオープンエンドなコード生成は、幻覚、論理的な不整合、または生産環境でのコンパイル失敗を招くことが多く、これは可能なコード変種の空間が広大すぎるためです。

2. 手法：HepScript

著者らは、人間専門家と AI エージェントの間で共有される形式的インターフェースとして機能するように設計された、二重用途ドメイン固有言語（DSL）であるHepScriptを提案します。

• 中核概念: HepScript は、HEP 分析ロジックを制約された高レベル構文に抽象化します。これは、オープンエンドなコード生成を処理可能なシーケンス予測タスクに変換する「グラウンディング機構」として機能します。
• アーキテクチャ:
  • 埋め込み DSL: Ruby の可読性、メタプログラミング機能、および流暢なインターフェースを活用するため、Ruby 埋め込み DSL として実装されています。
  • コード生成パイプライン: HepScript は直接実行されません。専用のDSL プロセッサが、HepScript 仕様を BESIII ソフトウェアスタックのターゲットコードに変換します。
    • BOSS (C++): シミュレーション、再構成、および基本的な選択のため。
    • ROOT (C++/Python): 高度な選択、可視化、および統計的推論のため。
    • 補助スクリプト: ジョブ設定のための Bash/Python。
  • ハイブリッド変換戦略: プロセッサは 3 つの方法を使用します。
    1. テンプレート生成: 静的構造用。
    2. 変換器ベース生成: カスタム Ruby クラスによる複雑な構文用。
    3. LLM 支援生成: 粒子を共鳴状態にマッピングするカスケード崩壊ロジックのような曖昧なタスクや、特定の ROOT スクリプトの生成に特化して使用されます。
• 設計原則:
  • 可読性: 物理学者にとって直感的であること。
  • モジュール性: 分析段階（データセット準備、基本選択、高度な選択、可視化、統計分析）ごとの離散ブロック。
  • 制約された文法: 生成されたコードが論理的に整合性があり実行可能であることを保証するため、LLM の行動空間を制限します。

3. 主要な貢献

1. 理論的洞察: 適切に設計された DSL が、フレームワーク固有のコードの無制限な行動空間を縮小し、LLM による生成を信頼性のある検証可能なものにする可能性を実証しています。
2. HepScript の具体化: **BESIII（北京スペクトロメータ III）**実験に特化し、LLM 支援を伴って共同設計された具体的な Ruby 埋め込み DSL。
3. 実証的検証:
   • 人間の効率性: ボイラープレートと反復的なルーチンを排除することで、人手によるコード量を**93%**削減。
   • AI の自律性: 反復的なエージェント的再試行を経て、公開文献から正確で実行可能な HepScript 仕様を自律的に生成する LLM の成功率を**95%**に達成。
4. 汎用性のあるフレームワーク: 他のデータ集約型科学分野に適応可能な、DSL の設計、実装、評価に関する方法論を提供。

4. 評価結果

システムは、データセット準備と基本選択を網羅する45 件の BESIII 論文（arXiv の最初の 50 件からフィルタリング）で評価されました。

• LLM の性能:
  • LLM 生成仕様の初期成功率は、モデル（GLM-4.7 と DeepSeek-R1 など）に応じて**43% から 47%**の範囲でした。
  • 失敗の主な原因は、構文エラー（76%）と物理的誤解釈（24%）でした。
  • エージェントループ: コンパイラ/プロセッサからのエラーフィードバックを LLM が受け取る反復ループを実装した結果、3 回の再試行後に成功率は**約 95%**に跳ね上がりました。
• コード実行:
  • 生成された BOSS コードは、人手で書かれたケースの 100% でエラーなくコンパイルされました。
  • 生成された ROOT スクリプトは、ケーススタディにおいて元の論文からの図（不変質量分布など）を正常に再現し、エンドツーエンドのパイプラインを検証しました。
• 効率性: この抽象化により、必要なコードの文字数が平均 93% 削減され、人間のプロトタイピングと AI タスク定義の両方に対する障壁が大幅に低下しました。

5. 意義と今後の課題

• パラダイムシフト: HepScript は、自動化のボトルネックを「分析をどう実行するか（コーディング）」から「何を指定するか（意図）」へとシフトさせ、スケーラブルな人間-AI 協働システムを可能にします。
• 信頼性と安全性: DSL はガードレールとして機能し、AI エージェントが検証済みで制約された環境内で動作することを保証します。これは科学的厳密性にとって不可欠です。
• 今後の方向性:
  • 自己進化的メカニズム: 新しいドメイン文献や使用ギャップに基づいて DSL 文法を自律的に拡張するシステムの開発。
  • 構造認識型検索: 意味的テキスト類似性（RAG）を超え、粒子崩壊連鎖の形式的トポロジーに基づく検索へ移行し、LLM のグラウンディングを改善。
  • エージェント的メモリ: 成功したワークフローを将来のエージェントのための「スキル」として保存する動的知識基盤の構築。

結論:
本論文は、二重用途 DSL が複雑な科学ワークフローの自動化にとって実用的かつ強力な戦略であることを確立しています。人間の専門知識、AI 生成、および生産用ソフトウェアの間のギャップを埋めることで、HepScript は高エネルギー物理学分析が効果的に自動化可能であることを実証し、AI が自律的な研究協力者となる道を開いています。