Agentic Diagrammatica: Towards Autonomous Symbolic Computation in High Energy Physics

이 논문은 고에너지 물리학에서 LLM 에이전트가 암묵적 수학적 관례의 신뢰성 문제를 해결하고, 도구 제약 및 지식 기반을 통해 자동화된 Feynman 다이어그램 생성과 정밀한 기호 계산을 수행할 수 있도록 하는 'Diagrammatica'라는 새로운 아키텍처를 제안하고 검증합니다.

핵심

이 논문은 **'Diagrammatica(다이어그램티카)'**라는 새로운 도구를 소개합니다. 이 도구는 고에너지 물리학 (우주의 가장 작은 입자들을 연구하는 분야) 에서 복잡한 수학적 계산을 인공지능 (AI) 이 스스로 계획하고 수행할 수 있게 해줍니다.

쉽게 말해, **"AI 가 물리학자가 되어 복잡한 공식 계산을 실수 없이 해내는 방법"**을 개발한 것입니다.

이 내용을 일상적인 비유로 설명해 드리겠습니다.

---

1. 문제: AI 가 수학을 할 때 겪는 '조용한 실수'

일반적으로 AI(대형 언어 모델) 는 글을 쓰거나 코드를 짜는 데 매우 능숙합니다. 하지만 물리학의 복잡한 수식 계산에서는 큰 문제가 있습니다.

• 비유: AI 가 요리사를 맡았다고 상상해 보세요. AI 는 레시피를 보고 요리를 할 수는 있지만, 소금의 양, 불의 세기, 재료의 순서 같은 미세한 규칙들을 기억하는 데 실수가 자주 납니다.
• 현실: 물리학 계산에서는 '부호 (+/-)', '단위', '약간의 상수 값' 같은 아주 작은 규칙 하나를 잘못 적용하면 결과가 완전히 틀려집니다. AI 는 문맥을 이해하는 데는 뛰어나지만, 이런 엄격한 수학적 규칙을 스스로 지키며 긴 과정을 거치는 것은 매우 어렵습니다. AI 가 "아마도 맞을 거야"라고 추측해서 틀린 답을 내놓으면, 그걸 눈치채기 매우 어렵습니다.

2. 해결책: "AI 는 지시만 하고, 기계는 계산하게 하라"

저자들은 AI 가 직접 수식을 다 짜게 하는 대신, AI 가 '명령장'을 작성하고, 그 명령을 받아 정확한 계산을 해주는 '전문 기계'를 연결하는 방식을 택했습니다.

• 비유:
  • 기존 방식 (자유형): AI 가 "이 요리를 해줘"라고 말하면, AI 가 직접 칼질하고 볶고 소금까지 다 넣습니다. 실수할 확률이 높습니다.
  • 새로운 방식 (Diagrammatica): AI 는 **"재료: 소고기 100g, 양파 1 개, 조리법: 볶음"**이라고 적힌 **명확한 주문서 (명령장)**만 작성합니다. 그리고 이 주문서를 **정확한 로봇 주방 (신뢰할 수 있는 계산 엔진)**에 넘깁니다. 로봇은 주문서대로만 정확하게 요리합니다.
  • 핵심: AI 가 실수할 여지를 줄이고, 계산은 기계가 정확하게 하도록 한 것입니다.

3. 두 가지 계산 모드: "대략적인 추정"과 "정밀한 계산"

이 도구는 두 가지 방식으로 계산을 해줍니다.

1. NDA (대략적인 추정):
   • 비유: "이 요리를 하면 대략 몇 명이 배불리 먹을까?"라고 대략적인 양을 빠르게 예측하는 것입니다.
   • 용도: 복잡한 계산을 하기 전에, "이 연구가 의미가 있을까?"를 빠르게 판단할 때 씁니다.
2. EDA (정밀한 계산):
   • 비유: "정확히 소금 3g, 설탕 2g 을 넣고 10 분 동안 볶으면 맛이 어떻게 날까?"를 수학적으로 완벽하게 계산하는 것입니다.
   • 용도: 실제 논문 발표나 실험 설계에 쓸 정확한 수식을 뽑아낼 때 씁니다.

이 두 가지 방식은 모두 **동일한 주문서 (명령장)**를 받기 때문에, 대략적인 추정과 정밀한 계산이 서로 맞는지 쉽게 비교해 볼 수 있습니다.

4. 실제 성과: AI 가 물리학자가 된 두 가지 사례

논문에서는 이 도구를 테스트하기 위해 두 가지 미션을 수행했습니다.

• 미션 1: 입자 붕괴 공식 만들기
  • 과제: 다양한 입자가 다른 입자로 쪼개질 때의 확률 (붕괴 폭) 을 모두 계산하는 거대한 목록을 만드는 것.
  • 결과: AI 가 스스로 19 가지의 복잡한 수식을 찾아내고, 기존 물리학 이론 (표준 모형) 과 비교해 98% 이상 정확함을 확인했습니다. AI 가 물리학자가 놓칠 수 있는 패턴까지 찾아냈습니다.
• 미션 2: 뮤온 (Muon) 입자 실험 예측
  • 과제: 뮤온 입자가 분해될 때, 전자 쌍이 몇 개까지 나올 수 있는지, 그리고 현재 실험 장비로 이를 관측할 수 있는지 예측하는 것.
  • 결과: AI 는 **15 만 개 이상의 복잡한 그림 (파인만 도형)**을 스스로 찾아내고 분류했습니다. 그리고 "현재 장비로는 2 개까지 관측 가능하지만, 3 개는 어렵고 4 개는 불가능할 것"이라는 결론을 내렸습니다. 이는 실제 실험 계획에 큰 도움이 됩니다.

5. 결론: 왜 이것이 중요한가?

이 논문은 AI 가 과학 연구에서 단순히 "글을 써주는 조수"가 아니라, **"정확한 계산을 수행하는 신뢰할 수 있는 파트너"**가 될 수 있음을 보여줍니다.

• 핵심 메시지: AI 에게 모든 것을 다 맡기는 게 아니라, AI 가 올바른 '질문'을 던지고, 기계가 정확한 '답'을 계산하게 하는 구조를 만들면, AI 는 인간 과학자보다 더 빠르고 정확하게 복잡한 과학 문제를 해결할 수 있습니다.

이 기술이 발전하면, 앞으로 새로운 입자를 찾거나 우주의 비밀을 푸는 데 AI 가 핵심적인 역할을 하게 될 것입니다. 마치 AI 가 물리학자의 '계산용 두뇌'와 '정밀한 손'을 대신해 주는 것과 같습니다.

기술 요약

1. 문제 제기 (Problem)

고에너지 물리학에서 기호 계산 (Symbolic Computation) 은 Feynman 규칙 적용, 진폭 계산, 스핀 합, 디랙 트레이스 평가, 운동학 대입 등 여러 단계로 이루어진 복잡한 과정입니다.

• 신뢰성 문제: LLM 은 강력한 기호 조작 능력을 갖췄지만, **신뢰성 (Reliability)**이 주요 병목 현상입니다. 기호 계산의 정확성은 암묵적인 수학적 관례 (예: 계량 부호, 스피너 정규화, 게이지 선택, CKM/PMNS 위상 등) 에 의해 결정되는데, 이러한 관례는 계산 백엔드에서 쉽게 검증할 수 없는 형태로 존재합니다.
• 암묵적 오류: LLM 이 자유 형식 (Free-form) 으로 코드를 생성할 경우, 각 단계가 모델의 능력 범위 내에 있더라도 전체 워크플로우에서 일관된 관례를 유지하지 못해 '침묵하는 오류 (Silent errors)'가 발생할 수 있습니다. (예: 부호 오류, 항 누락, 잘못된 항등식 적용).
• 검증의 어려움: 생성된 자유 형식 코드의 오류를 검증하는 것은 처음부터 계산을 다시 수행하는 것만큼 어렵습니다.

2. 방법론 (Methodology)

저자들은 LLM 에이전트의 행동 분포에 대한 엔트로피 분해 (Task, Context, Execution Uncertainty) 를 기반으로 두 가지 해결책을 제시하고, 그중 첫 번째를 주된 아키텍처로 채택했습니다.

A. 핵심 아키텍처: 도구 제약 계산 (Tool-Constrained Computation)

• 개념: 에이전트가 직접 기호 계산을 생성하는 대신, 스키마 유효성 검사 (Schema-validated) 가 된 도구 호출로 행동 공간을 제한합니다.
• 작동 원리:
  1. 공유 다이어그램 명세 (Shared Diagram Specification): 에이전트는 물리적으로 의미 있는 필드 (입자 스핀, 질량, 결합 상수, 정점 유형 등) 만을 포함하는 구조화된 JSON 객체를 생성합니다. 이 명세는 인간이 쉽게 감사할 수 있습니다.
  2. 신뢰할 수 있는 백엔드: 생성된 명세를 기반으로 백엔드 (FeynCalc 등) 가 대수 연산을 정확하게 수행합니다.
  3. 효과: 에이전트는 "무엇을 계산할지"를 선택하고, 백엔드는 "어떻게 계산할지"를 처리하여 실행 불확실성 ($\Delta E$) 을 구조적으로 0 에 가깝게 낮춥니다.

B. 보조 메커니즘: 표적 지식 기반 (Targeted Knowledge Grounding)

• 에이전트가 중요한 결정 순간에 필요한 도메인 지식 (예: FeynCalc 문법, 특정 정적 규칙) 을 대량으로 로드하는 대신, **필요한 시점에 필요한 정보만 검색 (Retrieval)**하여 제공합니다. 이는 컨텍스트 불확실성 ($\Delta C$) 을 줄이고 실행 불확실성을 부분적으로 억제합니다.

C. 계산 경로 (Calculation Paths)

공유 다이어그램 명세를 입력으로 받아 두 가지 정밀도 (Fidelity) 의 계산 경로를 제공합니다:

1. NDA (Naive Dimensional Analysis): 차원 분석, 위상 공간 부피, 결합 상수 카운팅을 기반으로 붕괴 폭 (Decay width) 과 단면적의 **크기 추정 (Order-of-magnitude)**을 제공합니다. 외부 소프트웨어 없이 작동하며, 복잡한 다중 입자 과정에도 적용 가능합니다.
2. EDA (Exact Diagrammatic Analysis): 자동화된 FeynCalc 코드 생성을 통해 완전한 트리 레벨 (Tree-level) 기호 계산을 수행합니다. 결과물은 기호식, LaTeX, Python 호환 함수로 제공됩니다.

D. 추가 도구

• FeynGraph: 주어진 과정에 대한 모든 Feynman 다이어그램을 자동으로 열거 (Enumeration) 하고, 무거운 전파자 (Heavy propagator) 수에 따라 중요도 순위를 매깁니다.
• Theory Knowledge Base: Feynman 규칙, 트레이스 항등식 등을 포함하는 탐색 가능한 지식 그래프를 제공합니다.

3. 주요 기여 (Key Contributions)

1. Diagrammatica 프레임워크 개발: HEPTAPOD 에 통합된 기호 계산 확장 도구로, LLM 에이전트가 신뢰할 수 있는 이론 계산을 수행할 수 있는 아키텍처를 제시했습니다.
2. 도구 제약 아키텍처의 검증: 자유 형식 코드 생성 대신 스키마 기반 도구 호출을 사용하여 기호 계산의 신뢰성 문제를 해결하는 새로운 패러다임을 제시했습니다. 이는 모델의 지식 수준에 의존하지 않고 인터페이스 설계로 오류를 방지합니다.
3. 다중 정밀도 워크플로우: NDA(빠른 추정) 와 EDA(정확한 계산) 를 하나의 공유 명세로 연결하여, 계산 비용과 질문의 복잡성을 매칭하고 내부 일관성 검증을 가능하게 했습니다.
4. 공개 벤치마크 및 데이터: 두 가지 복잡한 태스크에 대한 완전한 에이전트 실행 로그, 생성된 코드, 결과 데이터를 공개하여 다른 에이전트 플랫폼의 검증 기준으로 삼을 수 있도록 했습니다.

4. 실험 결과 (Results)

논문은 두 가지 벤치마크 태스크를 통해 아키텍처를 검증했습니다.

태스크 1: 1 → 2 붕괴 폭의 포괄적 카탈로그 (EDA 경로 검증)

• 목표: 스칼라, 페르미온, 벡터 부모 입자에 대한 모든 트리 레벨 단일 정점 1 → 2 붕괴 폭을 기호적으로 계산하고 표준 모형 (SM) 값과 비교.
• 결과:
  • 에이전트는 6 가지 정점 가족 (Vertex families) 에 걸쳐 19 개의 독립적인 붕괴 공식과 다양한 극한 (질량 0, 임계값 등) 을 성공적으로 생성했습니다.
  • 생성된 공식은 SM 부분 붕괴 폭 (H → b$\bar{b}$, Z → e$e$, W → e$\nu$, t → Wb) 과 수% 이내의 정확도로 일치했습니다.
  • NDA 추정치와 EDA 정밀 계산 간의 일관성을 확인했습니다.
  • 에이전트는 임계값 행동 (Threshold behavior), CP 구별, 단위성 위반 (Unitarity violation) 등 물리적 패턴을 자동으로 식별하고 분석했습니다.

태스크 2: 뮤온 붕괴 다중도 민감도 연구 (NDA 경로 및 다이어그램 열거 검증)

• 목표: $\mu^+ \to \bar{\nu}_\mu \nu_e + n(e^+e^-) + e^+$ 과정에서 관측 가능한 최대 $e^+e^-$ 쌍 수 ($n$) 를 결정.
• 결과:
  • FeynGraph 를 통해 $n=0$부터 $n=3$까지 150,000 개 이상의 트리 레벨 다이어그램을 자동으로 열거하고 분류했습니다.
  • NDA 를 사용하여 각 다중도별 분기비 (Branching Ratio) 를 추정하고, MadGraph 를 통해 정밀 계산을 수행하여 교차 검증했습니다.
  • $n=1$과 $n=2$에서 NDA 추정치와 MadGraph 결과가 잘 일치함을 확인했습니다.
  • 실험적 한계 도출: Mu3e Phase I/II 및 HiMB 실험의 감도 한계를 고려할 때, $n=3$은 관측 가능하지만 $n=4$는 현재 및 계획된 실험의 한계 근처임을 규명했습니다.

5. 의의 및 결론 (Significance)

• 신뢰성 패러다임의 전환: HEP 분야의 LLM 에이전트 연구는 주로 "자유 형식 코드 생성"에 의존해 왔으나, 이 논문은 "도구 제약 (Tool-constrained)" 접근법이 기호 계산의 신뢰성을 보장하는 핵심임을 입증했습니다.
• 해석 가능성 (Interpretability): 에이전트의 결정이 방대한 코드 대신 소수의 인간이 읽을 수 있는 필드 (JSON 명세) 로 압축되어, 전문가가 한눈에 검증할 수 있게 되었습니다.
• 미래 전망: 이 아키텍처는 기호 계산과 몬테카를로 시뮬레이션 (MadGraph 등) 을 연결하는 완전한 연구 도구로 발전할 수 있는 기반을 마련했습니다. 또한, 도구 제약과 지식 기반의 조화를 통해 점점 더 자율적인 과학 계산 에이전트로 진화할 수 있는 경로를 제시합니다.

결론적으로, Diagrammatica 는 LLM 이 고에너지 물리학의 복잡한 이론 계산을 인간과 협력하여 신뢰성 있게 수행할 수 있는 새로운 표준을 제시한 중요한 작업입니다.