Physics-guided discovery of dynamical dark-energy equations of state through iterative AI reasoning

技術要約：物理学に導かれた動的なダークエネルギー状態方程式の発見

問題提起
宇宙の加速膨張の発見はダークエネルギーの存在を示唆しているが、標準的な$\Lambda$CDMモデルは、この成分の物理的な性質に関する根本的な理論的疑問を未解決のまま残している。動的なダークエネルギーモデル（状態方程式 $w$ が赤方偏移とともに進化するもの）は広く研究されてきたが、現在の推論は、人間が設計した低次元のパラメータ化（CPL、JBPなど）に大きく依存している。これらの伝統的なアプローチは、固定された関数形式や漸近挙動によって制限されており、新しい物理学の探索を偏らせたり、真の基礎となる現象論を覆い隠したりする可能性がある。逆に、非パラメトリックな再構成は、物理的な解釈や理論的比較に必要なコンパクトな解析的形態を欠いている。本論文は、解釈可能性、物理的な動機付け、および統計的な厳密さを維持しつつ、より広い記号的な状態方程式（EoS）候補の空間を探索できるフレームワークの必要性に取り組むものである。

手法
著者らは、ダークエネルギーのEoSの発見を、生成、評価、および洗練を含むクローズドループのプロセスとして扱う、反復的なAI誘導型推論フレームワークを提案する。このワークフローは、主に4つのコンポーネントで構成される：

1. 仮説生成： 大規模言語モデル（LLM）、具体的にはQwen3-30B-A3Bがジェネレーターとして機能する。これは、$w(z)$ の記号的なパラメータ化を実行可能なPython関数として提案する。極めて重要な点として、各提案には自然言語による宇宙論的な根拠が添えられる。
2. 検索拡張生成（RAG）： 生成を既存の物理学に基づかせるため、システムは約7,000件のarXivのダークエネルギーに関する論文から関連する一節を検索する。これにより、提案が文脈的に文献を意識しつつ、斬新な組み合わせを可能にする。
3. 宇宙論的評価： 各候補は背景宇宙論モデルに組み込まれる。パラメータは観測データ（Type Ia 超新星、バリオン音響振動、およびCMB）に対して最適化される。
   • 反復探索ステージ： 高速なスクリーニングのために、縮小されたデータセット（Pantheon+、2D BAO、および圧縮されたCMBシフトパラメータ $R$ と $\ell_A$）を使用する。
   • 検証ステージ： 最終的なモデル比較のために、フル・ライクリフッド（Planck 2018、DESI-DR2、Union3、DESY5）を使用する。
4. 独立したクリティック（批評家）： 別のLLM（GPT-5.1 mini）が、物理的な妥当性、新規性、推論の明快さ、数値的安定性、および実装の妥当性に基づいて候補を評価する。クリティックはスコアと修正のための具体的な提案を提供する。
5. 経験バッファ： 成功した仮説（高い統計的適合度と高いクリティック・スコアを持つもの）は、経験バッファに保存される。その後の生成は、このバッファを条件とするため、システムは時間とともに数学的構造と物理的推論の両方を進化させることができる。

このシステムは、非標準的なEoS（$w_{exotic}(z) = \alpha / (1+z)^\beta$）を持つエキゾチックな模擬宇宙論を用いた「ブラインドテスト」を通じて最初に検証され、パイプラインがCPLのような既知のテンプレートに偏ることなく、非標準的な力学を回収できることが確認された。

主な貢献

• AI誘導型現象論のフレームワーク： 本論文は、記号的な状態方程式の発見と物理的推論を統合し、単なる曲線適合を超えた「物理学に導かれた推論」を実現する、再現可能なループを導入する。
• 2つの新しいパラメータ化： フレームワークは、確立されたモデルに匹敵する2つの新しいコンパクトな2パラメータEoS形式を特定した：
  • AI 1： ファントム交差の現象論を持つ有界二次パラメータ化：
    $$w(z) = -1 - w_0 \left(\frac{z^2}{1+z^2}\right) + w_a \left(\frac{z^2}{1+z^2}\right)^2 - w_0 w_a$$
    このモデルは、滑らかで有界な遷移を特徴とし、ファントムから非ファントムへの軌道を許容する。
  • AI 2： 減衰した中間赤方偏移パラメータ化：
    $$w(z) = w_0 + w_a \frac{z}{1+z} \exp\left[-\left(\frac{z}{1+z}\right)^2 (1+z)^{1/4}\right]$$
    このモデルはCPLの低赤方偏移挙動を保持しつつ、高赤方偏移の極限を $w_0$ へと減衰させ、晩期の柔軟性と初期の漸近挙動をデカップリング（分離）させる。
• 非テンプレート回収の検証： エキゾチックな模擬テストにおいて、システムは（CPLが強く否定される状況下でも）既知のテンプレートを単に再利用することなく、基礎となる宇宙論（$\Omega_m, H_0$）を回収できることを実証し、探索空間が標準的なアンサッツに限定されていないことを示した。

結果

• ブラインド検証： エキゾチックな模擬テストにおいて、AI生成モデル（特にAI $\text{sim}1$ および $\text{sim}2$）は、注入された背景宇宙論（$\Omega_m, H_0$）を信頼区間内で回収したが、標準的なCPLモデルは失敗し、制約は厳しくなったもののバイアスのあるパラメータを与えた。最良のAI候補は、真のモデルに対して1.55の対数ベイズ因子（$\ln BE_i$）を達成したが、CPLは6.97であった（これは強い否定を示している）。
• 実データ分析： Pantheon+、DESI-DR2、および Planck 2018 の組み合わせに適用した結果：
  • 選択された2つのAIモデル（AI 1 および AI 2）はトップクラスの性能を示し、CPLモデルの約1ログ・エビデンス単位内に留まった。
  • DESI-DR2 BAO + Pantheon+ SNIa + Planck 2018 の組み合わせでは、AI 1 がCPLよりも大きなベイズ・エビデンスを獲得し、動的なモデルを支持した。
  • DESI-DR2 BAO + Union3 SNIa + Planck 2018 に対しては、AI 1 がテストされたすべてのモデルの中で最も強いエビデンスを示した。
  • 両方のAIモデルは、Planckの制約と一致する初期宇宙のパラメータ（$\omega_b, \omega_{cdm}, \theta_s$）を保持しており、それらの改善が再結合物理の修正ではなく、晩期の背景進化に由来することを示している。
  • モデルはCPLとほぼ退化したCMB温度スペクトルを予測しており、差異は主に低多重極において現れる。

意義と主張
本論文は、AIによる推論が、解釈可能な現象論的パラメータ化を提案し評価することによって、伝統的なモデル構築を補完できると主張している。著者らは、このフレームワークが自律的な科学的理解を主張するものではなく、むしろ現象論的な推論のプロセスを明示的、監査可能、かつ修正可能にすることであると強調している。

主な主張は以下の通りである：

• あらかじめ選択されたアンサッツに限定されることなく、「現象論的空間」自体を探索する能力。
• 確立された形式に匹敵する、あるいは特定のデータセットの組み合わせにおいては統計的にそれらを優先する、コンパクトな2パラメータ方程式の発見。
• データが要求する場合に、AIが非標準的な膨張史に適応できること（人間が設計した探索に特有の「テンプレート・バイアス」を回避すること）。
• これらのモデルは微視的な理論ではなく、有効な現象論的記述として解釈されるべきであり、その意義は、文献に基づいた提案とクリティックによる推論を、有効なモデルの探索へと統合できることを示した点にある。

著者らは謙虚な姿勢を崩しておらず、これらのモデルに対する統計的な優位性は選択的（データセットの組み合わせに依存する）であり、次のステップは摂動の安定性と成長の観測量を直接、探索目的関数に組み込むことであると述べている。