Agentic Exploration of Physics Models

Dit paper introduceert SciExplorer, een agent die grote taalmodellen gebruikt om onbekende fysische systemen autonoom te verkennen en hun wiskundige wetten af te leiden zonder domeinspecifieke aanpassingen.

De kern

Stel je voor dat je in een volledig donkere kamer staat. Je weet niet wat er in de kamer is, maar je mag wel rondlopen, dingen aanraken en luisteren. Je doel? Het maken van een perfecte tekening van de kamer, inclusief waar de meubels staan en hoe ze eruitzien, zonder dat iemand je ooit heeft verteld wat erin zit.

Dit is precies wat wetenschappers doen, maar dan met natuurwetten. En dit artikel introduceert SciExplorer, een slimme digitale "ontdekkingsreiziger" die dit voor je kan doen.

Hier is hoe het werkt, vertaald naar begrijpelijke taal:

1. De "Alwetende" Robot met een Magische Toolkoffer

SciExplorer is een computerprogramma dat draait op een Large Language Model (LLM). Dat is de technologie achter slimme chatbots. Maar in plaats van alleen maar te praten, heeft SciExplorer een speciale "agente" persoonlijkheid.

Stel je voor dat SciExplorer een beginnende natuurkundestudent is die net zijn diploma heeft gehaald. Hij weet heel veel theorie (hij heeft alle boeken gelezen), maar hij heeft nog nooit een experiment gedaan.

• De Toolkoffer: De programmeurs hebben hem geen specifieke instructies gegeven over welk probleem hij moet oplossen. In plaats daarvan hebben ze hem een magische toolkoffer gegeven. Daarin zit:
  • Een code-schrijver: Hij kan zelf Python-programma's schrijven om wiskundige berekeningen te doen.
  • Een tekenaar: Hij kan grafieken maken om patronen te zien.
  • Een simulator: Hij kan zelf "virtuele experimenten" draaien om te testen of zijn ideeën kloppen.

2. De Speurtocht: Gissen, Controleren en Leren

Wanneer SciExplorer een nieuw, onbekend systeem krijgt (bijvoorbeeld een slinger die beweegt of een golf die door water loopt), gaat hij als volgt te werk:

1. Het Plan: Hij denkt na: "Oké, ik weet niet wat dit is. Laten we eerst een paar dingen proberen. Misschien is het een slinger? Of een veer?"
2. Het Experiment: Hij stuurt een commando naar de simulator: "Laat de slinger maar eens van links naar rechts zwaaien."
3. De Analyse: Hij kijkt naar de resultaten. "Interessant," denkt hij. "Het beweegt niet lineair, het vertraagt. Dat lijkt op wrijving." Hij schrijft code om dit te meten en maakt een plaatje.
4. De Hypothese: "Aha! Het lijkt op een gedempte slinger. Maar wacht, de beweging is een beetje vreemd. Misschien zit er een onzichtbare muur in de buurt?"
5. Herhaling: Hij past zijn theorie aan, schrijft nieuwe code, draait een nieuw experiment en kijkt of zijn voorspelling klopt.

Dit proces herhaalt hij honderden keren, net als een echte wetenschapper die van fouten leert, totdat hij de exacte wiskundige formule heeft gevonden die het systeem beschrijft.

3. Wat heeft hij ontdekt?

De auteurs hebben SciExplorer getest op drie heel verschillende gebieden:

• Mechanica: Denk aan slingers, veren en deeltjes die door de lucht vliegen. SciExplorer kon de bewegingswetten van deze objecten terugvinden, zelfs als er verborgen krachten waren die hij niet zag.
• Golven: Denk aan lichtgolven of geluid. Hij kon de formules vinden die beschrijven hoe deze golven zich gedragen, zelfs als ze door complexe materialen gaan.
• Quantumfysica: Dit is het moeilijkste deel. Hier gaat het om atomen en deeltjes die met elkaar "verstrengeld" zijn. SciExplorer kon de "regels" (de Hamiltoniaan) vinden die deze atomen besturen, puur door naar metingen te kijken.

4. Waarom is dit zo speciaal?

Vroeger moest je voor elk nieuw probleem een heel specifiek computerprogramma schrijven. Als je een slinger bestudeerde, had je een programma nodig voor slingers. Als je golven bestudeerde, had je een ander programma nodig.

SciExplorer is algemeen. Hij heeft geen specifieke instructies nodig. Je kunt hem zomaar een nieuw, raadselachtig systeem geven, en hij gebruikt zijn algemene kennis van de natuurkunde en zijn vermogen om code te schrijven om het zelf op te lossen. Het is alsof je een robot geeft die niet alleen kan lezen, maar ook kan denken en handelen.

5. De "Gok" en de "Hallucinaties"

Natuurlijk is de robot niet perfect. Soms "hallucineert" hij (zoals chatbots soms doen) en denkt hij dat hij een oplossing heeft gevonden, terwijl het niet klopt.

• De oplossing: SciExplorer is slim genoeg om zichzelf te controleren. Als hij een theorie heeft, simuleert hij het zelf en vergelijkt hij het met de echte data. Als het niet klopt, gooit hij de theorie weg en probeert hij iets anders. Hij is dus voorzichtig en leert van zijn fouten.

Conclusie: De Toekomst van Wetenschap

Dit artikel laat zien dat we op het punt staan van een revolutie. In plaats dat alleen mensen urenlang zitten te rekenen en experimenteren, kunnen we deze "AI-wetenschappers" laten werken. Ze kunnen 24/7 doorzoeken, fouten maken, leren en uiteindelijk de geheimen van het universum ontrafelen, zonder dat we ze hoeven te vertellen hoe ze dat moeten doen.

Het is alsof we een nieuwe soort ontdekkingsreiziger hebben gevonden: een digitale avonturier die de donkere kamer van de natuurkunde betreedt en er een helder, perfect tekening van maakt.

Technische samenvatting

Titel: Agente Exploratie van Fysieke Modellen

Auteurs: Maximilian Nägele en Florian Marquardt (Max Planck Instituut voor de Wetenschap van het Licht & FAU Erlangen-Nürnberg)

---

1. Het Probleem

Het proces van wetenschappelijke ontdekking vereist een complexe wisselwerking tussen observatie, analyse en het genereren van hypothesen. Hoewel machine learning (ML) steeds vaker wordt ingezet voor specifieke aspecten van dit proces (zoals het voorspellen van experimentele resultaten of het vinden van nieuwe experimenten), blijft het een grote uitdaging om de heuristic, iteratieve lus volledig te automatiseren die nodig is om de wetten van een onbekend systeem te ontdekken.

Bestaande methoden zijn vaak op maat gemaakt voor specifieke taken en vereisen gedetailleerde instructies of vooraf gedefinieerde modellen. Er is behoefte aan een systeem dat zonder domeinspecifieke blauwdrukken of fijnafstelling (fine-tuning) in staat is om een onbekend fysiek systeem te verkennen, experimenten te selecteren, resultaten te analyseren en uiteindelijk de onderliggende wiskundige wetten (zoals bewegingsvergelijkingen of Hamiltonianen) af te leiden.

2. Methodologie: SciExplorer

De auteurs introduceren SciExplorer, een agent die gebruikmaakt van de tool-gebruikscapaciteiten van Large Language Models (LLM's) om fysieke systemen te verkennen zonder voorafgaande kennis van de specifieke domeinwetten.

Kerncomponenten van de architectuur:

• LLM-Agent: De "hersenen" van het systeem, gebaseerd op state-of-the-art modellen (in dit geval GPT-5). De agent werkt op basis van een generieke prompt die het aanmoedigt om als een voorzichtig wetenschapper te werken: hypothesen genereren, plannen maken, en iteratief verifiëren.
• Tool-gebruik (Agentic Behavior): De agent heeft toegang tot een set generieke tools, voornamelijk gebaseerd op code-executie:
  • execute_code: Voert willekeurige Python-code uit voor data-analyse, regressie, en het oplossen van differentiaalvergelijkingen.
  • plot_from_code: Genereert visualisaties (Matplotlib) om kwalitatieve inzichten te krijgen (bijv. cycli, demping, symmetrie).
  • save_result: Slaagt het gevonden model op als een uitvoerbare Python-functie.
  • Simulatoren: Specifieke tools voor het uitvoeren van "experimenten" (numerieke simulaties) voor mechanische systemen, golven/velden en kwantum-systemen.
• Iteratieve Cyclus:
  1. Plan: De agent formuleert een strategie en kiest initiële condities voor een experiment.
  2. Observatie: Het systeem voert de simulatie uit en retourneert data.
  3. Analyse: De agent schrijft code om de data te analyseren (bijv. Fourier-transformaties, lineaire regressie, schatten van afgeleiden) en visualiseert resultaten.
  4. Hypothese: Gebaseerd op de analyse past de agent zijn model aan of verwerpt het.
  5. Validatie: De agent simuleert het nieuwe model en vergelijkt het met de oorspronkelijke data.
  6. Herhaling: Dit proces herhaalt zich totdat de agent tevreden is en het resultaat opslaat.

Het systeem is ontworpen om zero-shot te werken: de agent krijgt alleen minimale informatie over de systeemtopologie (bijv. aantal deeltjes, dimensie) maar geen informatie over de vorm van de bewegingswetten.

3. Belangrijkste Bijdragen

• Generalisatie zonder Fijnafstelling: SciExplorer demonstreert dat een enkel LLM-agentmodel succesvol kan worden toegepast op een breed scala aan fysieke domeinen (mechanica, golfdynamica, kwantumveeldeeltjesfysica) zonder domeinspecifieke training of aanpassing van de prompt.
• Actief Leren: In tegenstelling tot passieve symbolische regressie (zoals SINDy of AIFeynman), kan SciExplorer actief experimenten ontwerpen om specifieke kwalitatieve kenmerken (zoals behoudswetten of symmetrieën) te testen.
• Programma-ontdekking: Het systeem lost niet alleen symbolische regressie op (het vinden van formules), maar ook "programma-ontdekking", waarbij het een volledige Python-functie schrijft die het systeem simuleert.
• Robuustheid: De methode is getest op systemen met ruis (Gaussische ruis en shot noise), waarbij de agent nog steeds accurate modellen kan afleiden.

4. Resultaten

De auteurs testten SciExplorer op drie hoofdcategorieën:

A. Mechanische Systemen

• Taken: Het afleiden van bewegingsvergelijkingen voor systemen zoals gedempte pendels, Duffing-oscillatoren, en deeltjes in 2D-velden.
• Resultaat: De agent slaagde erin om de bewegingsvergelijkingen te herontdekken met een hoge $R^2$ (coëfficiënt van determinatie), vaak dicht bij 1.0.
• Vermogen: De agent kon zelfs verborgen vrijheidsgraden (onwaarneembare deeltjes) infereren en de initiële condities daarvan schatten.
• Vergelijking: SciExplorer presteerde aanzienlijk beter dan traditionele symbolische regressie-methoden (SINDy, AIFeynman), zelfs wanneer die methoden handmatig werden geoptimaliseerd.

B. Golven en Velden

• Taken: Het herontdekken van partiële differentiaalvergelijkingen voor complexe velden, zoals de niet-lineaire Schrödingervergelijking (NLSE) en de complexe Ginzburg-Landau-vergelijking (CGLE).
• Resultaat: De agent kon dispersierelaties, niet-lineariteiten en externe potentialen correct identificeren. Hij gebruikte strategieën zoals het analyseren van Fourier-spectra en het testen van behoud van norm.
• Uitzondering: De agent had moeite met een kunstmatig model dat relaxatie naar een sinuspotentiaal beschreef, wat aangeeft dat zeer ongebruikelijke termen nog een uitdaging vormen.

C. Kwantum Veeldeeltjesfysica

• Taken: Het identificeren van Hamiltonianen voor spin-systemen (bijv. Transverse Field Ising Model, Heisenberg-model, Cluster Ising-model) op basis van tijdsafhankelijke observaties of grondtoestandsverwachtingswaarden.
• Resultaat: De agent toonde een actief werkend kennisniveau van kwantummechanica en kon complexe interacties (zoals Dzyaloshinskii-Moriya koppelingen) en parameters correct afleiden.
• Moeilijkheid: Taken waarbij slechts een subset van spins waarneembaar was, waren uitdagender, maar de agent kon vaak de structuur van de Hamiltoniaan wel correct identificeren, hoewel soms factoren van 2 of tekens werden gemist.

Fouten en Beperkingen:

• De agent kan soms "hallucineren" of zich te vroeg vastzetten op een verkeerd model.
• Fouten treden vaak op bij het bepalen van exacte numerieke parameters (bijv. een factor 2 missen) of bij het interpreteren van subtiele kwalitatieve hints in plots.
• De rekentijd is aanzienlijk (minuten tot 1,5 uur per taak), voornamelijk door de response-tijd van het LLM, maar dit is nog steeds efficiënter dan een menselijke expert voor een volledig open onderzoek.

5. Betekenis en Toekomstperspectief

Dit werk markeert een belangrijke stap richting autonome wetenschappelijke ontdekking.

• Directe Toepasbaarheid: Omdat veel moderne fysica-experimenten (zoals koude atoomgassen, gecondenseerde materie en kwantumsimulatoren) via code-interfaces worden aangestuurd, kan SciExplorer direct worden geïntegreerd in echte experimentele opstellingen.
• Schaalbaarheid: Het framework is niet beperkt tot fysica. Omdat LLM's ook kennis hebben van chemie en biologie, en SciExplorer geen domeinspecifieke training vereist, is de methode direct toepasbaar op andere wetenschappelijke gebieden (bijv. het bestuderen van predator-prooi dynamica of chemische reacties).
• Paradigmaverschuiving: Het bewijst dat AI-agenten niet alleen data kunnen analyseren, maar ook de heuristiek van de wetenschappelijke methode kunnen nabootsen: het actief plannen van experimenten om hypothesen te falsificeren en te bevestigen.

Samenvattend toont SciExplorer aan dat een combinatie van een krachtig LLM en generieke code-tools voldoende is om complexe, onbekende fysieke systemen te doorgronden en hun fundamentele wiskundige beschrijvingen te herontdekken, zonder dat menselijke experts de specifieke vorm van de wetten hoeven te voorspellen.