SMEFT-Pheno-Agent: a natural-language-driven AI agent for machine-learning-assisted Standard Model Effective Field Theory phenomenology

宇宙を巨大な、宇宙的なパズルのようなものだと想像してみてください。物理学者たちは数十年にわたり、ほとんどのピースを組み立て、電子やクォークのような微小な粒子がどのように相互作用するかを説明する「標準模型」と呼ばれる絵を作り上げてきました。それは素晴らしい地図ですが、不完全であることも分かっています。そこには、まだ目に見えていない未知の力や重い粒子といった、空白が存在します。これらを見つけ出すために、科学者たちは巨大な衝突型加速器と呼ばれる機械の中で、粒子を驚異的な速度で衝突させます。彼らは、物理学のルールがこれまで考えていたものとはわずかに異なっている可能性を示す、地図上の小さな亀裂やヒントを探しているのです。ここで「有効場理論（Effective Field Theory）」が登場します。これは、柔軟な定規のようなものだと考えてください。欠けているピースが正確にどのような形をしているかを推測する代わりに、科学者たちは異なる条件下でその定規がどれほど曲がるかを測定します。もしその曲がり方が奇妙であれば、そこには何かが隠れていることを示唆しています。問題は、これらの測定を行うことが、ケーキを焼いている最中に、同時にオーブンを組み立て、レシピを書き、最後の一粒一粒のパン屑まで数えようとするようなものだということです。これには膨大な数の複雑なコンピュータプログラムの連鎖が必要であり、もし一つのステップでも間違えれば、ケーキ全体が崩れてしまいます。

ここで、SMEFT-Pheno-Agentという、これらの物理学実験における究極の副料理人となるよう設計された新しいデジタル・アシスタントが登場します。これは新しい物理法則を発明するロボットではなく、人間が話す言葉を理解する、非常に組織化されたプロジェクト・マネージャーです。例えば、あなたが非常に賢く、非常に厳格なロボットに向かって、「10 TeVでミューオンを衝突させ、ルールの特定の種類の曲がりを探したい」と言ったとしましょう。ロボットはただ頷くだけではありません。その文章を受け取り、自動的にキッチン全体を構築します。ロボットは、オーブン（コンピュータプログラム）が機能しているかを確認し、温度（物理パラメータ）を設定し、材料（粒子イベント）を注文し、さらには最終的な味見のためにどの道具を使うべきかを決定します。

この論文は、このエージェントを、単純な会話を厳格な12ステップの科学的研究へと変えるワークフローとして紹介しています。著者であるYu-Chen Guo、Jie Wang、Ji-Chong Yangは、AIエージェントがオーケストラの指揮者のように振る舞うシステムを構築しました。エージェントはあなたの要求を自然な英語で聞き取り、それをMadGraph5_aMC@NLOやDelphesのような専門的な物理ソフトウェアが実行できる、固定された一連の指示へと翻訳します。ここでの魔法は、AIが実際の数学や数値には一切触れないという点です。それは、レシピを書き、副料理人たちに何をすべきか正確に指示するものの、実際には鍋をかき混ぜたりスープを味わったりはしないシェフのようなものです。これにより、AIは秩序を保つという面倒な仕事を担当する一方で、実際の「調理」は信頼できる実証済みのツールによって行われることが保証されます。

このシステムは、単純なチャットから最終的な監査済みレポートへと進む、12の明確なフェーズで動作します。

1. インテーク（受付）: あなたはエージェントと対話し、衝突の種類、エネルギー、そして何を見つけたいのかを指定します。エージェントは、後で誤って変更されることがないよう、これらの詳細を構成ファイルにロックします。
2. セットアップ: すべての必要なコンピュータプログラムがインストールされ、準備ができているかを確認します。
3. シミュレーション: 重労働を実行します。数百万の模擬粒子衝突を生成し、検出器がそれらをどのように捉えるかをシミュレートし、「純粋な」新しい物理学の例を作成します。
4. 機械学習: ここでエージェントは巧妙になります。データを見て、通常の物理学と「新しい」物理学の違いを見分けるための最適な数学的ツール（アルゴリズム）を提案します。エージェントは特定の「動作点（operating point）」、つまり何をもってヒットとするかの閾値を選び、研究全体を通してそれを維持します。
5. 分析: 様々な可能性をスキャンし、データを曲線に適合させ、新しい物理学に対して証拠がどれほど強いか、あるいは弱いかを計算します。
6. 監査: 最後に、エージェントは自身の仕事をチェックします。すべてのファイルが存在するか、すべての数値が計画と一致しているか、そしてストーリーが理にかなっているかを検証します。さらに、科学者が読むための原稿の下書きを作成し、すべての数値がどこから来たのかを正確に引用します。

論文では、これを具体的な例で実証しています。将来のミューオン衝突型加速器における、エネルギー10 TeVの衝突のシミュレーションです。エージェントはプロセスを正常に導き、イベントサンプルを生成し、機械学習モデル（AdaBoostなど）を訓練し、特定の係数（$c_{gT,0}$）に対する統計的区間を生成しました。結果は、0.78という特定の閾値を用いることで、物理パラメータを有意水準2において、およそ $[-0.948, 1.531] \times 10^{-3} \text{ TeV}^{-4}$ の範囲に制約できることを示しました。

極めて重要なのは、著者たちがこのツールが「何ではないか」を慎重に述べている点です。これはすべての物理問題を解決する魔法の杖ではなく、また、物理学を理解する必要がある人間の科学者に取って代わるものでもありません。エージェントは新しい物理学を発明することはできず、新しい粒子を発見したとも主張しません。これは再現性のためのツールです。過去においては、もし科学者が複雑な研究を繰り返したいと考えた場合、以前の人物がどのようにコンピュータプログラムを設定したかを再確認するために、数週間を費やさなければならなかったかもしれません。SMEFT-Pheno-Agentを用いれば、プロセス全体が「マニフェスト」――つまり、何が行われ、どのように行われ、結果がどうであったかを証明するデジタルな領収書――に記録されます。もし研究を再生したいのであれば、エージェントは全く同じ方法で、正確にやり直すことができます。なぜなら、エージェントは決して推測や記憶に頼らないからです。

この論文は、このアプローチが現代物理学における大きなボトルネックである「ハンドオフ（受け渡し）」の問題を解決すると主張しています。通常、あるコンピュータプログラムから別のプログラムへ移行するプロセスは、エラーが静かに紛れ込みやすい、脆弱で手動のプロセスです。これらの受け渡しを自動化し、すべてのステップに対して厳格で変更不可能なログを保持することで、エージェントは科学が確かなものであることを保証します。著者らは、この特定のバージョンは一つのタイプの物理シナリオに焦点を当てているものの、このフレームワークは最終的に、より複雑な多パラメータ研究を扱うように拡張できる可能性があると示唆しています。現時点では、これは概念実証（プルーフ・オブ・コンセプト）です。つまり、AIに事務作業や配管作業（下準備）を任せ、物理学者が大きな問いに集中できるようにするための方法なのです。