An End-to-end Architecture for Collider Physics and Beyond

Each language version is independently generated for its own context, not a direct translation.

De "ColliderAgent": Een Virtueel Assistent dat Deeltjesfysica voor je Uitzoekt

Stel je voor dat je een meesterkok bent die een nieuw, compleet gerecht wilt bedenken. In de wereld van de deeltjesfysica is dit gerecht een theoretisch model (een recept) dat beschrijft hoe het universum in elkaar zit. Om te bewijzen dat dit recept werkt, moet je het koken in een gigantische, hypermoderne keuken: de deeltjesversneller (zoals de LHC in Zwitserland).

Het probleem? De keuken is een chaos. Er staan honderden verschillende kooktoestellen (softwareprogramma's) rondom je, elk met zijn eigen vreemde taal, knoppen en instructies. Om een gerecht te maken, moet je eerst een recept opschrijven, dat vertalen naar een instructie voor machine A, dan naar machine B, en dan naar machine C. Als je één knop verkeerd drukt, is je gerecht verbrand. Dit proces is zo ingewikkeld dat het vaak maanden duurt en veel menselijke fouten veroorzaakt.

De Oplossing: ColliderAgent

In dit artikel presenteren onderzoekers van de Universiteit van Peking een nieuwe uitvinding: ColliderAgent. Dit is een slimme, taalgestuurde robot-assistent die de hele kooktoer uit handen neemt.

Hier is hoe het werkt, vertaald naar alledaagse termen:

1. De Chef en de Keuken (De Architectuur)

Stel je voor dat ColliderAgent een hoofdchef is die alleen met jou praat in normaal Nederlands (of Engels). Jij zegt: "Ik wil een gerecht maken met dit specifieke ingrediënt (een nieuw deeltje) en kijk of het smaakt in de keuken."

De chef hoeft niet te weten hoe elk apparaat in de keuken werkt. Hij heeft een talenvertaler nodig.

De Chef (De "Cognitive Reasoning Engine"): Deze luistert naar jouw idee, beseft wat er moet gebeuren, en verdeelt het werk.
De Vertalers (De "Sub-agents"): Dit zijn gespecialiseerde assistenten. De één is een expert in het schrijven van recepten (FeynRules), de ander is een expert in het bedienen van de oven (MadGraph), en weer een ander kijkt of het eten er goed uitziet (Delphes/MadAnalysis).
De Keuken (Magnus): Dit is de centrale plek waar alle machines staan. De chef stuurt de vertalers naar de keuken, maar hij zelf blijft in de eetzaal zitten. Hij hoeft niet zelf de gaspitten aan te draaien.

2. Het Magische Recept (Van Theorie naar Resultaat)

Vroeger moest een fysicus zelf de code schrijven om de verschillende machines aan te sturen. Met ColliderAgent doe je dit niet meer.

Jij geeft een opdracht: "Neem dit wiskundige recept (een Lagrangiaan) en laat zien wat er gebeurt als we het op 13 TeV energie koken."
De Agent doet het werk:
1. Hij leest jouw wiskundige notatie.
2. Hij schrijft automatisch het juiste "receptbestand" voor de eerste machine.
3. Hij start de machine, wacht tot het eten klaar is, en stuurt het naar de volgende machine.
4. Zelfcorrectie: Als een machine zegt: "Hé, dit recept heeft een foutje, het ontbreekt een ingrediënt!", dan kijkt de chef, leest de foutmelding, corrigeert het recept en probeert het opnieuw. Hij geeft niet op en vraagt niet om hulp.
5. Uiteindelijk krijg jij een plaatje: een grafiek die laat zien of jouw theorie klopt met de werkelijkheid.

3. De Proef (Wat hebben ze bewezen?)

De onderzoekers hebben hun robot-assistent laten werken aan vier moeilijke proeven, alsof ze vier verschillende, zeer complexe gerechten hebben gemaakt:

Een zeldzame vissoort (Leptoquark): Een heel specifiek deeltje dat zelden voorkomt. De agent slaagde erin om de juiste "leptonen" (elektronen) in het recept te verwerken, iets waar zelfs menselijke experts vaak moeite mee hebben.
Een spookdeeltje (Axion-achtig deeltje): Een theorie over deeltjes die nauwelijks interactie hebben. De agent kon de complexe wiskunde vertalen naar een voorspelling die precies leek op wat in oude boeken stond.
Een massale zoektocht (Parameter Scan): In plaats van één keer te koken, vroeg de onderzoekers: "Kook dit recept met 1000 verschillende hoeveelheden zout en suiker en zeg mij welke combinaties niet werken." De agent deed dit in een paar uur, een taak die voor mensen weken zou duren.
De echte proef (Detector-niveau): De zwaarste test. De agent moest een simulatie doen alsof het eten daadwerkelijk door de sensoren van de LHC was gegaan, inclusief alle ruis en imperfecties. Hij slaagde erin om precies hetzelfde resultaat te krijgen als de mensen die dit oorspronkelijk deden.

Waarom is dit belangrijk?

Voorheen was deeltjesfysica een vak voor specialisten die jarenlang moesten leren hoe ze met al die verschillende softwareprogramma's moesten omgaan. Het was alsof je eerst een diploma moest halen in "Keukenbesturing" voordat je een gerecht kon koken.

Met ColliderAgent verandert dit. Je kunt nu gewoon in gewone taal zeggen wat je wilt weten, en de agent doet het zware, technische werk. Dit maakt de wetenschap:

Sneller: Wat weken duurde, duurt nu uren.
Betrouwbaarder: Minder menselijke fouten in de code.
Toegankelijker: Meer mensen kunnen meedoen aan de zoektocht naar de geheimen van het universum, zonder dat ze eerst een computerwetenschapper hoeven te worden.

Kortom: ColliderAgent is de eerste "AI-kok" die een compleet deeltjesfysica-experiment kan uitvoeren, van het eerste idee tot het eindresultaat, zonder dat jij ooit een stukje code hoeft te schrijven.

Each language version is independently generated for its own context, not a direct translation.

Titel: Een End-to-End Architectuur voor Colliderfysica en daarbuiten

Auteurs: Shi Qiu et al. (Peking University en andere instellingen)
Datum: 15 maart 2026 (arXiv:2603.14553v1)

1. Het Probleem

Hoogenergetische fysica (HEP) fenomenologie, met name het zoeken naar fysica buiten het Standaardmodel (BSM), vereist het vertalen van theoretische concepten (vaak gecodeerd in een Lagrangiaan) naar voorspelbare fysieke observabelen die vergeleken kunnen worden met experimentele data.

Hoewel er een rijk software-ecosysteem bestaat met gespecialiseerde pakketten (zoals FeynRules, MadGraph, Pythia, Delphes, MadAnalysis), blijft het handmatig coördineren van deze heterogene toolchains een groot knelpunt.

Heterogeniteit: De tools verschillen aanzienlijk in syntaxis, gebruiksgewoonten en afhankelijkheden.
Beperkte Automatisering: Bestaande automatiseringsframeworks zijn vaak beperkt tot specifieke stappen in de workflow of specifieke probleemklassen.
Ontbrekende End-to-End Oplossing: Er was tot nu toe geen volledig autonoom systeem dat een workflow kon uitvoeren van een theoretische Lagrangiaan tot de uiteindelijke fenomenologische resultaten (zoals uitsluitingslimieten) zonder menselijke tussenkomst of pakket-specifieke code.

2. Methodologie: De ColliderAgent Architectuur

De auteurs introduceren ColliderAgent, het eerste taalgestuurde agent-systeem dat end-to-end taken voor collider-fenomenologie kan uitvoeren. De architectuur is ontkoppeld en domein-agnostisch, bestaande uit drie kerncomponenten:

A. Hiërarchische Multi-Agent Cognitieve Laag

In plaats van één agent die alles doet, gebruikt het systeem een hiërarchisch model met gespecialiseerde sub-agenten:

Orchestrator: Ontvangt natuurlijke taal-instructies (aangevuld met standaard natuurkundige notatie/LaTeX) en deelt de taak op in sub-taken.
Gespecialiseerde Sub-agenten: Elke sub-agent is uitgerust met specifieke "Agent Skills". Dit zijn draagbare instructiemodules gekoppeld aan referentiedocumenten van de officiële software (bijv. FeynRules, MadGraph).
- Model-generator: Vertaalt een Lagrangiaan naar FeynRules-bestanden (.fr), valideert deze en converteert ze naar UFO-formaat.
- Collider-simulator: Schrijft scripts voor MadGraph, voert deeltjesgeneratie uit, deeltjesstroom (Pythia) en detectorsimulatie (Delphes).
- Event-analyzer: Voert analyse uit met MadAnalysis (cuts, histogrammen).
- Pheno-analyzer: Voert inferentie uit, zoals profiel-likelihood analyses en het extraheren van uitsluitingscontouren.
Contextbeheer: Sub-agenten communiceren via gestructureerde tussentijdse voortgangsrecords (compacte Markdown-samenvattingen) om context te behouden zonder de volledige geschiedenis te hoeven doorgeven.

B. Uitvoeringsbackend: Magnus

Om de complexiteit van het beheer van software-omgevingen te omzeilen, is de cognitieve laag gescheiden van de uitvoering:

Magnus: Een uniforme uitvoeringsbackend die de standaard toolchain integreert (Mathematica, FeynRules, MadGraph, Pythia, Delphes, MadAnalysis).
Containerisatie: Magnus biedt vooraf geconfigureerde omgevingen (via Docker/Slurm), wat de setup-tijd vermindert en reproduceerbaarheid garandeert.
CLI-communicatie: Agenten sturen taken via een gestandaardiseerde Command Line Interface (CLI) naar Magnus, wat de agent onafhankelijk maakt van de onderliggende infrastructuur.

C. Validatie en Zelfcorrectie

Het systeem bevat een gesloten lus voor foutopsporing:

Voordat zware berekeningen starten, voert de model-generator validaties uit (syntaxis, hermiticiteitstests in FeynRules, testlading in MadGraph).
Bij een fout (bijv. ontbrekende conjugatie of UFO-syntaxfout) analyseert de agent de diagnostische output, past het model aan en herhaalt de validatie. Dit minimaliseert handmatig debuggen.

3. Belangrijkste Resultaten en Validatie

De auteurs hebben ColliderAgent getest op een reeks representatieve benchmarks uit de literatuur, variërend van deeltjesniveau tot detector-niveau analyse:

Resonante Scalar Leptoquark Productie (LHC):
- Taak: Simulatie van $pp \to LQ \to e j$ met gebruik van de LUXlep PDF-set (leptonen in de proton).
- Uitdaging: Pythia kan geen inkomende leptonen hanteren; het systeem moest automatisch een workaround toepassen (vervangen van leptonen door fotonen vóór showering).
- Resultaat: Het agent slaagde erin de volledige workflow uit te voeren en reproduceerde het karakteristieke resonantiepiek in de $m_{ej}$ -verdeling.
Axion-achtige Deeltjes (ALP) EFT:
- Taak: Generatie van EFT-modellen voor hogere-dimensionale operatoren en simulatie van $pp \to a W^\pm \gamma$ .
- Resultaat: Het systeem genereerde correcte modelbestanden en reproduceerde de $E_T^{miss}$ -verdeling, inclusief de karakteristieke harde staart veroorzaakt door de operator.
Grootschalige Parameter Scans (U(1)' Uitbreiding):
- Taak: Een uitgebreide 2D-scan van de parameter ruimte voor een $Z'$ -model om LHC-beperkingen af te leiden.
- Resultaat: Het systeem automatiseerde weken aan handmatig scripten en job-orchestratie tot een workflow die binnen enkele uren werd voltooid, en reproduceerde de 95% CL uitsluitingscontouren.
Detector-niveau Analyse (U1 Vector Leptoquark):
- Taak: Reproductie van een mono- $\tau$ zoektocht op de LHC, inclusief volledige detector-simulatie (ATLAS en CMS configuraties) en statistische analyse (profiel-likelihood) tegen gepubliceerde data.
- Resultaat: Het systeem coördineerde naadloos de volledige toolchain (van FeynRules tot MadAnalysis) en reproduceerde de 2 $\sigma$ uitsluitingscontour.

Extra Validatie: Het supplementaire materiaal toont succesvolle reprodukties voor zware Majorana-neutrino's, generieke $Z'$ -modellen, Kaluza-Klein gravitonen in een lepton-collider, en U1 leptoquarks in een muon-collider.

4. Bijdragen en Impact

Eerste End-to-End Systeem: ColliderAgent is, voor zover bekend, het eerste taalgestuurde agent-systeem dat een volledige workflow uitvoert van theoretische Lagrangiaan tot fenomenologische output zonder pakket-specifieke code te vereisen.
Schaalbaarheid en Reproduceerbaarheid: Door de scheiding van redenering en uitvoering (via Magnus) en het gebruik van gestandaardiseerde "Skills", wordt onderzoek schaalbaarder en minder vatbaar voor menselijke fouten.
Toekomstgerichtheid: De architectuur is niet beperkt tot de LHC; het is ontworpen om toekomstige colliderprogramma's (zoals CEPC, FCC, Muon Collider) en bredere gebieden zoals kosmologie te ondersteunen.
Open Standaard: De gebruikte "Agent Skills" zijn gebaseerd op een open standaard, wat betekent dat de kennisbasis en workflows kunnen worden overgedragen naar andere agent-frameworks (zoals Claude Code, Cursor, of Google ADK).

Conclusie

Dit werk markeert een doorbraak in de automatisering van hoogenergetische fysica. Het bewijst dat taalgestuurde AI-agenten technisch veeleisende fenomenologische studies kunnen uitvoeren die volledig zijn verankerd in gevestigde fysica-toolchains. Dit opent de weg naar een nieuw paradigma van geautomatiseerd, schaalbaar en reproduceerbaar wetenschappelijk onderzoek, waarbij fysici zich kunnen richten op het formuleren van vragen in natuurlijke taal in plaats van het handmatig schrijven van complexe scripts.