ALETHEIA: Autonomous Loop for Experimental Theory and HEP Inference Across-data

ALETHEIA is een autonoom, zelf-voltooiend framework dat een actieve leerlus gebruikt om iteratief permutatie-invariante natuurkundige fundamentmodellen (ManifoldInformer) voor hoge-energiefysica te construeren, waarbij automatisch nieuwe Standard Model Effective Field Theory-operatoren worden geïdentificeerd en geïncorporeerd op basis van residu-analyse totdat het model volledige leerprestaties heeft bereikt.

De kern

Stel je voor dat je een robot probeert te leren een complex, onzichtbaar landschap genaamd "Natuurkunde" te begrijpen. Dit landschap bestaat niet uit bergen en rivieren, maar uit onzichtbare regels en krachten die het gedrag van deeltjes sturen.

Dit is hoe het werkt, onderverdeeld in eenvoudige concepten:

1. Het Doel: Het in kaart brengen van een onzichtbare wereld

Wetenschappers hebben een "kaart" van hoe het universum zou moeten werken (het Standaardmodel), maar ze vermoeden dat er verborgen kenmerken zijn die ze nog niet hebben gevonden. Deze verborgen kenmerken zijn als nieuwe ingrediënten in een recept. Het doel is om een model te bouren dat precies kan leren wat deze ingrediënten zijn en hoe ze de smaak van het universum veranderen, met behulp van enkel data uit deeltjesbotsingen.

2. De Twee Taken: "Gaten vullen" versus "Nieuwe Kamers Toevoegen"

Het artikel stelt dat de meeste eerdere methoden probeerden om twee zeer verschillende taken tegelijkertijd te doen, wat de robot in de war maakte. ALETHEIA scheidt deze in twee duidelijke rollen:

• Taak A: De "Vastzetter" (Active Learning)
  Stel je voor dat je een puzzel hebt met een paar ontbrekende stukjes. Je weet waar de ontbrekende stukjes moeten komen, je moet alleen de exacte vorm vinden. Dit is wat het deel "Active Learning" doet. Het kijkt naar het huidige model en vraagt: "Als ik dit specifieke scenario test, helpt dat mij dan om de getallen (coëfficiënten) voor de regels die ik al ken, nauwkeurig vast te zetten?" Het kiest de meest nuttige testgevallen om het model precies te maken.
• Taak B: De "Architect" (Physics Expansion)
  Nu stel je voor dat je beseft dat je puzzel een hele sectie van het plaatje mist, niet slechts een paar stukjes. Je kunt dit niet raden door alleen naar de gaten te kijken; je moet naar de vorm van de fout kijken. Dit is het "Physics"-gedeelte. ALETHEIA kijkt naar wat het model fout heeft gedaan (de "residue"). Als de fout een specifiek patroon vertoont, weet het dat er een nieuwe "regel" (operator) aan het model moet worden toegevoegd. Het raadt niet; het leest de blauwdruk van de fout.

3. De Motor: De "ManifoldInformer"

Het brein van dit systeem is een speciaal neuraal netwerk genaamd de ManifoldInformer.

• Beschouw het als een vertaler die een chaotische stapel data van deeltjesbotsingen (die geen volgorde heeft) omzet in een schone, georganiseerde samenvatting.
• Het is "permutatie-invariant", wat betekent dat het niet uitmaakt of de deeltjes in de volgorde A-B-C of C-B-A aankomen; de samenvatting is hetzelfde.
• Het leert de "vorm" van de natuurkundige regels zo accuraat te voorspellen dat het de onderliggende theorie met bijna perfecte precisie (99,9% nauwkeurigheid) wiskundig kan reconstrueren.

4. De Lus: Hoe het leert

ALETHEIA draait in een continue cyclus, zoals een zelfcorrigerend GPS-systeem:

1. Test: Het kiest een specifiek scenario om te testen (een "working point").
2. Check: Het vergelijkt de voorspelling met de werkelijke data.
3. Detecteer: Het kijkt naar de "vingerafdruk" van de fout.
   • Als de fout slechts een kleine trilling in de getallen is, komt de "Vastzetter"-taak in actie om de getallen te corrigeren.
   • Als de fout een heel nieuwe richting onthult die het model niet begrijpt, komt de "Architect"-taak in actie. Het voegt een nieuwe "kamer" toe aan het model om die nieuwe richting te kunnen afhandelen.
4. Herhaal: Het blijft dit doen totdat het model zo compleet is dat het toevoegen van meer regels niets meer verandert.

5. De "Magische" Metriek: De Enkelvoudige Waarde (Singular Value)

Hoe weet het systeem wanneer het klaar is? Het gebruikt een wiskundig hulpmiddel genaamd Singular Value Decomposition (denk aan dit als een "stress-test" voor het model).

• Stel je het model voor als een net dat vis vangt. Als er een groot gat in het net zit, zal een grote vis (een grote fout) erdoorheen glippen.
• Het systeem meet de grootte van de grootste vissen die erdoorheen glippen.
• Wanneer het systeem een nieuwe regel toevoegt, krimpt die "grote vis" plotseling tot een piepklein minnetje.
• Het artikel laat zien dat nadat er vier rondes van het toevoegen van nieuwe regels zijn doorlopen, de "grote vis" met een factor 150 is gekrompen. Wanneer de vissen zo klein worden dat ze kleiner zijn dan de ruis in het water, weet het systeem: "We hebben het hele landschap in kaart gebracht. We zijn klaar."

6. Het Resultaat: Een Zelfvoltooide Kaart

Het artikel demonstreert dit op een specifiek type deeltjesbotsing (Drell-Yan).

• De Hiërarchie: Het leerde eerst de "grote" regels (de vier-fermion operators) die de energie van de deeltjes aanzienlijk veranderen.
• De Subtiele Regels: Zodra deze onder de knie waren, ontsloot het de "subtiele" regels (vertex operators), die als kleine aanpassingen aan de hoek van de deeltjes werken.
• Het Bewijs: Het systeem wist dat het klaar was, niet omdat een mens zei dat het moest stoppen, maar omdat het toevoegen van de subtiele regels geen nieuwe "grote vissen" deed verschijnen. Het model was "span-compleet"—het had de volledige vorm van de natuurkunde gevangen.

Samenvatting

ALETHEIA is een zelfrijdende wetenschapper. Het raadt niet alleen wat er aan nieuwe natuurkunde zou kunnen bestaan; het bouwt een model, controleert waar het faalt, en voegt automatisch precies de juiste nieuwe regels toe om die fouten te herstellen. Het blijft dit doen totdat het model perfect is, en het gebruikt een digitale "audit trail" (genaamd Phoenix) om te bewijzen dat het de waarheid correct en volledig heeft geleerd.

Kernpunt: Het scheidt de taak van het "fijn afstemmen van getallen" van het "ontdekken van nieuwe regels", waardoor de AI een volledige en nauwkeurige kaart van complexe natuurkunde kan bouwen zonder menselijke tussenkomst.

Technische samenvatting

Technische Samenvatting: ALETHEIA – Autonome lus voor experimentele theorie en HEP-inferentie over data heen

Probleemstelling
Het artikel behandelt de uitdaging van het automatiseren van de wetenschappelijke cyclus van modelvoorstel, datageneratie en modelaanpassing in de hoge-energiefysica (HEP). Specifiek richt het zich op de inferentie van fundamentele fysica-modellen uit data die representaties bevatten van onbekende fysica-manifolds, zoals beschreven door de Standard Model Effective Field Theory (SMEFT). Een cruciale moeilijkheid in dit domein is het onderscheid tussen twee verwarnde taken in de bestaande literatuur: het voltooien van een representatie (het vastleggen van coëfficiënten voor een vaste set operatoren) en het uitbreiden van een representatie (het bepalen welke nieuwe operatoren of vrijheidsgraden ontbreken). Het artikel stelt dat actieve leerprocessen goed geschikt zijn voor het eerste, maar minder geschikt voor het tweede wanneer ontbrekende richtingen zwak geïdentificeerd worden, wat een scheiding van deze rollen noodzakelijk maakt.

Methodologie
De auteurs stellen ALETHEIA voor, een zelf-voltooiende tool die het leren van fysica-manifolds automatiseert via een actieve-leerlus. Het systeem is gebouwd rond drie kerncomponenten:

1. De ManifoldInformer (Foundation Model):

   • Een nieuwe neurale architectuur ontworpen voor permutatie-invariante, per-event representaties.
   • Het maakt gebruik van een gedeelde per-event encoder ($\psi_\theta$) die kinematische vectoren (bijv. $\log m_{\ell\ell}, \cos \theta^*$) verwerkt met behulp van Deep Sets of Energy-Flow pooling.
   • Een closed-form ridge head lost de manifold-coördinaat $w_\theta(c)$ op voor een gegeven werkpunt $c$ (Wilson-coëfficiënten) met behulp van een lineair systeem $(K^\top K + \alpha I)^{-1}K^\top V$.
   • De latente ruimte is getraind om de analytische morphing-geometrie van SMEFT te herstellen, specifiek de lineaire interferentietermen (tangenten) en kwadratische amplitude-kwadratische termen (krommingen), gevalideerd via lineaire probes.

2. De Complete-Dan-Expand Lus:
   De lus scheidt de taken van acquisitie en expansie:

   • Acquisitie (AL Voltooit): Gegeven een vaste operatorinhoud, selecteert een acquisitieregel (specifiek een residu-energie regel of EPIG) werkpunten die de "out-of-span" energie maximaliseren. Dit legt de coëfficiënten van het model vast met minder samples dan bij willekeurige sampling.
   • Expansie (Fysica Breidt Uit): Het systeem monitort een residu-SVD-vingerafdruk. Het berekent de residu-operator $R$ (het deel van de log-likelihood ratio dat niet door de huidige encoder wordt gevangen). Als de leidende singuliere waarde $\sigma_1$ van $R$ een voltooiingsvloer $\tau$ overschrijdt, voert het systeem een $\psi$-extensie uit: het voegt de dominante residu-richting $u_1$ toe aan de feature-ruimte van de encoder.
   • Operator Unlocking: De expansie van de operatorinhoud wordt niet gedreven door de acquisitieregel, maar door SMEFT power counting. De lus voltooit de leading-order manifold (bijv. vier-fermion operatoren) voordat het sub-leading tiers (bijv. vertex operatoren) ontgrendelt.

3. Monitoring en Controle:
   Het gehele proces is geïnstrumenteerd met behulp van Arize-Phoenix spans. De lus monitort de trace van $\sigma_1$ en de ratio $\sigma_1/\sigma_2$.

   • "Correct Leren": Geverifieerd wanneer een $\psi$-extensie een onmiddellijke, significante instorting van $\sigma_1$ veroorzaakt (bijv. een reductie met een factor 31).
   • "Volledig Geleerd": Geverifieerd wanneer $\sigma_1$ onder de ruisvloer valt en daar blijft, zelfs nadat nieuwe operator-tiers zijn ontgrendeld, wat aangeeft dat de manifold span-compleet is.

Belangrijkste Resultaten
De methode is gedemonstreerd op een neutraal-current Drell-Yan proces met dimensie-zes SMEFT-operatoren (vier vier-fermion en vier vertex operatoren) met behulp van een analytische oracle.

• Latente Herwinning: De ManifoldInformer's latente ruimte herstelde de analytische morphing-tangenten met $R^2 = 0,99999$ en krommingen met $R^2 = 0,954$, wat bevestigt dat de encoder de exacte analytische geometrie vangt.
• Residu-instorting: Startend met een mass-only encoder ($D_\psi=5$), voerde de lus vier extensies uit ($D_\psi: 5 \to 9$). De eerste extensie deed de piek van de residu-singuliere waarde instorten van 5,36 naar 0,173 (een factor 31). Over alle vier de extensies heen daalde $\sigma_1$ van 4,03 naar 0,026 (een factor $\sim 150$).
• Span-Compleetheid: Na de vier extensies bleef $\sigma_1$ onder de voltooiingsvloer ($\tau=0,30$). Toen de sub-leading vertex operatoren werden ontgrendeld, werden er geen verdere extensies getriggerd, wat aantoont dat de geconstrueerde basis voor de leading tier al de angulaire structuur van de sub-leading tier besloeg.
• Efficiëntie: De residu-energie acquisitie-arm bereikte de voltooiingsstatus niet later dan de willekeurige acquisitie-arm (mediaan 5 cycli versus 6), hoewel de primaire metriek correctheid en volledigheid was in plaats van pure sampling-snelheid.

Betekenis en Claims
Het artikel beweert dat ALETHEIA een rigoureus kader biedt voor zelf-voltooiende fysica-foundation modellen. De belangrijkste bijdragen zijn:

1. Scheiding van Rollen: Het ontkoppelt de taak van "het vastleggen van coëfficiënten" (behandeld door actief leren) van "het selecteren van nieuwe operatoren" (behandeld door residu-structuur en power counting). Dit voorkomt dat de acquisitieregel de verkeerde fysieke richtingen raadt.
2. Operationele Signaturen van Volledigheid: Het introduceert een methode om "correct leren" en "volledig geleerd" direct af te lezen van de gemonitorde trace ($\sigma_1$ instorting en stabiliteit), in plaats van te vertrouwen op post-hoc analyse of aannames.
3. Generaliseerbaarheid: De architectuur wordt gepresenteerd als generaliseerbaar naar elke setting met een exacte generatieve structuur (zoals de SMEFT morphing-polynoom) die toestaat de complexiteit van het model te ordenen.

De auteurs uiten expliciet hun bescheidenheid over de versnelling van de sampling op deze specifieke analytische oracle, waarbij zij opmerken dat het voordeel van actieve leerprocessen ten opzichte van willekeurige sampling vooral verwacht wordt in scenario's met dure simulators en hogere operator-dimensies. De kernbijdrage is de volledigheidsdiagnostiek en de scheiding van de acquisitie- en expansielogica.