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

ALETHEIAは、高エネルギー物理学のための置換不変な物理基盤モデル（ManifoldInformer）を反復的に構築するために能動学習ループを採用する自律的かつ自己完結的なフレームワークであり、モデルが完全な学習を達成するまで、残差分析に基づいて標準模型有効理論の新たな演算子を自動的に特定し、それを取り込む。

要約

あなたは、ロボットに「物理学」という複雑で目に見えない風景を理解させる方法を教えようとしていると想像してください。この風景は山や川でできているのではなく、粒子がどのように振る舞うかを支配する、目に見えないルールや力で構成されています。

この論文は、この風景における「自動運転の探検家」として機能する、ALETHEIA（ギリシャ語で「真理」）と呼ばれるツールを紹介しています。

その仕組みを、シンプルな概念に分解して説明します。

1. 目標：目に見えない世界のマッピング

科学者たちは、宇宙がどのように機能すべきかという「地図」（標準模型）を持っていますが、まだ見つけられていない隠れた特徴があるのではないかと疑っています。これらの隠れた特徴は、レシピにおける新しい材料のようなものです。目標は、粒子衝突のデータのみを使用して、これらの材料が正確に何であり、それらが宇宙の「味」をどのように変えるのかを学習できるモデルを構築することです。

2. 二つの役割：「隙間を埋める」 vs 「新しい部屋を追加する」

この論文は、従来のほとんどの手法は二つの全く異なる仕事を同時に行おうとして、ロボットを混乱させていたと主張しています。ALETHEIAはこれらを二つの明確な役割に分離します。

• ジョブA：「ピン留め」（能動学習 / Active Learning）
  パズルのピースがいくつか欠けている状況を想像してください。欠けているピースがどこにあるかは分かっており、ただその正確な形を見つける必要があるだけです。これが「能動学習」の部分です。これは現在のモデルを見て、「この特定のシナリオをテストすれば、既知のルールの係数（数値）を正確に特定できるか？」と問いかけます。モデルを精密にするために、最も役立つテストケースを選択します。
• ジョブB：「建築家」（物理学の拡張 / Physics Expansion）
  次に、パズルが単にいくつかのピースを欠いているだけでなく、絵のセクション全体が欠落していることに気づいたとします。単に隙間を見るだけでは推測できません。エラーの「形」を見る必要があります。これが「物理学」の部分です。ALETHEIAは、モデルが何を間違えたか（残差）を分析します。もしエラーが特定のパターンを示しているなら、モデルに新しい「ルール（演算子）」を追加する必要があると判断します。モデルは勘で推測するのではなく、間違いの設計図を読み取るのです。

3. エンジン：「ManifoldInformer」

このシステムの脳となるのは、ManifoldInformerと呼ばれる特殊なニューラルネットワークです。

• これは、順序のない混沌とした粒子の衝突データを、クリーンで整理された要約へと変換する「翻訳機」のようなものです。
• これは「置換不変（permutation-invariant）」であり、粒子がA-B-Cの順で到着しても、C-B-Aの順で到着しても、要約される内容は同じです。
• 物理法則の「形」を極めて正確に予測することを学習し、基礎となる理論を数学的にほぼ完璧な精度（99.9%の正確性）で再構築できます。

4. ループ：どのように学習するか

ALETHEIAは、自己修正を行うGPSのように、連続的なサイクルで動作します。

1. テスト： 特定のシナリオ（「ワーキングポイント」）を選んでテストします。
2. チェック： 予測を実際のデータと比較します。
3. 検知： 間違いの「指紋」を探します。
   • もし間違いが単なる数値の小さな揺らぎであれば、「ピン留め」の仕事が起動し、数値を修正します。
   • もし間違いが、モデルが理解できていない全く新しい方向性を示しているなら、「建築家」の仕事が起動します。モデルに、その新しい方向性を扱うための新しい「部屋」を追加します。
4. 反復： モデルに新しいルールを追加しても何も変わらなくなるまで、このプロセスを繰り返します。

5. 「魔法」の指標：特異値（Singular Value）

システムはどのようにして終了を判断するのでしょうか？ システムは特異値分解（モデルへの「ストレス・テスト」と考えてください）という数学的ツールを使用します。

• モデルを魚を捕まえる「網」だと想像してください。もし網に大きな穴が開いていれば、大きな魚（大きなエラー）がすり抜けてしまいます。
• システムは、すり抜けていく最大の魚の大きさを測定します。
• 新しいルールを追加すると、その「大きな魚」は突然、小さな稚魚へと縮小します。
• 論文では、新しいルールを４回追加した後、この「大きな魚」が150分の1に縮小したことが示されています。魚が水のノイズよりも小さくなったとき、システムはこう判断します。「我々は風景全体をマッピングした。完了だ」。

6. 結果：自己完結する地図

この論文は、特定の種類の粒子衝突（ドレル・ヤン過程）を用いてこれを実証しています。

• 階層構造： システムはまず、粒子のエネルギーを大きく変える「大きな」ルール（四フェルミオン演算子）を学習しました。
• 微細なルール： これらの習得後、粒子の角度に微細な調整を加えるような「繊細な」ルール（頂点演算子）を解明しました。
• 証明： システムは、人間が停止を命じたからではなく、繊細なルールを追加しても新しい「大きな魚」が現れなかったために、終了を判断しました。モデルは「スパン完全（span-complete）」、つまり、物理学の全容を捉えきったのです。

まとめ

ALETHEIAは、自律走行する科学者です。単に新しい物理学がどのようなものかを推測するのではなく、モデルを構築し、どこで失敗するかをチェックし、それらの失敗を修正するために正確に適切な新しいルールを自動的に追加していきます。モデルが完璧になるまでこれを繰り返し、そして「Phoenix」と呼ばれるデジタル監査証跡を用いて、自身が正しく、かつ完全に真理を学習したことをリアルタイムで証明します。

重要なポイント： このシステムは「数値の微調整」という仕事と「新しいルールの発見」という仕事を分離することで、AIが人間の介入なしに、複雑な物理学の完全かつ正確な地図を構築することを可能にしています。

技術概要

技術要約: ALETHEIA – 実験理論および高エネルギー物理学（HEP）推論のための自律的ループ

問題提起
本論文は、モデルの提案、データ生成、およびモデルの調整という科学的サイクルを自動化するという、高エネルギー物理学（HEP）における課題に取り組んでいる。具体的には、標準模型有効理論（SMEFT）によって記述されるような、未知の物理多様体（manifold）を表すデータからの物理基盤モデルの推論を対象としている。ここでの主要な困難は、既存の文献において混同されている2つのタスク、すなわち「表現の補完（固定された演算子のセットに対して係数を確定させること）」と「表現の拡張（どの新しい演算子や自由度が欠落しているかを決定すること）」を区別することである。本論文は、欠落している方向が弱く特定されている場合、能動学習（active learning）は前者には適しているが、後者には適していないと主張し、これらの役割を分離する必要性を説いている。

手法
著者らは、能動学習ループを通じて物理多様体の学習を自動化する自己補完型ツールであるALETHEIAを提案している。このシステムは、以下の3つのコアコンポーネントで構成されている。

1. ManifoldInformer (基盤モデル):

   • 置換不変なイベントごとの表現を実現するために設計された、斬新なニューラルアーキテクチャ。
   • Deep SetsまたはEnergy-Flowプーリングを用いて、運動学的ベクトル（例：$\log m_{\ell\ell}, \cos \theta^*$）を処理する共有のイベントエンコーダ（$\psi_\theta$）を利用する。
   • 閉形式のリッジヘッドを用い、与えられたワーキングポイント $c$（ウィルソン係数）に対する多様体の座標 $w_\theta(c)$ を、線形システム $(K^\top K + \alpha I)^{-1}K^\top V$ を用いて解く。
   • 潜在空間は、SMEFTの解析的なモーフィング幾何学、具体的には線形干渉項（接線）および二次振幅二乗項（曲率）を復元するように訓練され、これらは線形プローブによって検証される。

2. Complete-Then-Expand ループ (補完してから拡張するループ):
   本ループは、獲得（acquisition）と拡張（expansion）のタスクを分離する。

   • 獲得 (ALによる補完): 固定された演算子内容が与えられたとき、獲得ルール（具体的には残差エネルギー・ルールまたはEPIG）が、「範囲外（out-of-span）」のエネルギーを最大化するワーキングポイントを選択する。これにより、少ないサンプル数でモデルの係数を確定させる。
   • 拡張 (物理による拡張): システムは残差SVDフィンガープリントを監視する。システムは、現在のエンコーダによって捉えきれていない対数尤度比の部分である残差演算子 $R$ を計算する。もし $R$ の最大特異値 $\sigma_1$ が補完フロア $\tau$ を超えた場合、システムは$\psi$-拡張を実行する。これは、支配的な残差方向 $u_1$ をエンコーダの特徴空間に追加するプロセスである。
   • 演算子のアンロック: 演算子内容の拡張は、獲得ルールによって駆動されるのではなく、**SMEFTの冪数計算（power counting）**によって駆動される。このループは、サブリーディング項（例：頂点演算子）をアンロックする前に、リーディングオーダーの多様体（例：4フェルミオン演算子）を補完する。

3. モニタリングと制御:
   プロセス全体は Arize-Phoenix スパンによって計測されている。ループは $\sigma_1$ のトレースおよび比率 $\sigma_1/\sigma_2$ を監視する。

   • 「正しく学習されている」ことの検証: $\psi$-拡張によって $\sigma_1$ が即座に大幅な崩壊（例：31分の1への減少）を引き起こしたときに検証される。
   • 「完全に学習された」ことの検証: $\sigma_1$ がノイズフロアを下回り、新しい演算子のティア（階層）をアンロックした後もそこに留まり続けている場合に、多様体がスパン（範囲）として完結していることを示す。

主な結果
本手法は、次元6のSMEFT演算子（4つの4フェルミオン演算子と4つの頂点演算子）を用いた中性電流ドレル・ディヤン過程において、解析的なオラクルを用いて実証された。

• 潜在空間の復元: ManifoldInformerの潜在空間は、解析的なモーフィングの接線を $R^2 = 0.99999$ で、曲率を $R^2 = 0.954$ で復元し、エンコーダが正確な解析幾何学を捉えていることを確認した。
• 残差の崩壊: マスのみのエンコーダ（$D_\psi=5$）から開始し、ループは4回の拡張（$D_\psi: 5 \to 9$）を行った。最初の拡張により、ピーク残差特異値は5.36から0.173へと崩壊した（31分の1への減少）。4回の拡張全体を通じて、$\sigma_1$ は4.03から0.026へと減少した（約150分の1の減少）。
• スパン完全性: 4回の拡張後、$\sigma_1$ は補完フロア（$\tau=0.30$）を下回ったまま維持された。サブリーディングの頂点演算子をアンロックした際、さらなる拡張はトリガーされなかった。これは、リーディングティアのために構築された基底が、サブリーディングティアの角度構造を既にスパンしていることを示している。
• 効率性: 残差エネルギー獲得アームは、ランダム獲得アームよりも遅れることなく完了状態に達した（中央値 5サイクル vs 6サイクル）。ただし、主要な指標は生のサンプリング速度ではなく、正確性と完全性であった。

意義と主張
本論文は、ALETHEIAが自己補完的な物理基盤モデルのための厳密なフレームワークを提供すると主張している。その主な貢献は以下の通りである：

1. 役割の分離: 「係数の確定（能動学習が担当）」と「新しい演算子の選択（残差構造と冪数計算が担当）」をデカップリング（分離）している。これにより、獲得ルールが誤った物理的方向を推測してしまうことを防いでいる。
2. 完全性の操作的シグネチャ: モニタリングされたトレース（$\sigma_1$ の崩壊と安定性）から、「正しく学習されている」および「完全に学習された」を直接読み取る手法を導入した。
3. 汎用性: このアーキテクチャは、モデルの複雑さを順序付け可能な、正確な生成構造（SMEFTのモーフィング多項式のような）を持つあらゆる設定に一般化可能であると提示されている。

著者らは、この特定の解析的オラクルにおけるサンプリング速度の向上については謙虚な姿勢を示しており、ランダムサンプリングに対する能動学習の優位性は、主に高価なシミュレータやより高い次元の演算子が存在するシナリオで顕著になると予想されるとしている。核心的な貢献は、完全性の診断法、および獲得と拡張のロジックの分離にある。