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

Stel je het universum voor als een gigantische, kosmische puzzel. Natuurkundigen besteden al decennia aan het samenvoegen van de meeste stukjes, waarmee ze een beeld hebben gecreëerd dat het "Standaardmodel" wordt genoemd, dat uitlegt hoe minuscule deeltjes zoals elektronen en quarks met elkaar interageren. Het is een briljante kaart, maar we weten dat deze incompleet is. Er zijn gaten—mysterieus krachten en zware deeltjes die we nog niet kunnen zien. Om deze te vinden, laten wetenschappers deeltjes tegen elkaar aan beuken met een verbluffende snelheid in gigantische machines die colliders worden genoemd. Ze zoeken naar kleine barstjes in de kaart, aanwijzingen dat de regels van de natuurkunde misschien net iets anders zijn dan we dachten. Dit is waar "Effectieve Veldtheorie" (Effective Field Theory) om de hoek komt kijken. Zie het als een flexibel liniaal: in plaats van te raden hoe het ontbrekende stukje er precies uitziet, meten wetenschappers hoeveel de liniaal buigt onder verschillende omstandigheden. Als de buiging vreemd is, suggereert dit dat er iets nieuws verborgen ligt. Het probleem? Het doen van deze metingen is alsof je probeert een taart te bakken terwijl je tegelijkertijd de oven bouwt, het recept schrijft en elke kruimel telt. Het vereist een enorme keten van complexe computerprogramma's, en als één stap fout wordt uitgevoerd, stort de hele taart in.

Maak kennis met SMEFT-Pheno-Agent, een nieuwe digitale assistent die is ontworpen als de ultieme sous-chef voor deze natuurkundige experimenten. Dit is geen robot die nieuwe natuurwetten uitvindt; het is eerder een zeer georganiseerde projectmanager die menselijke taal spreekt. Stel je voor dat je tegen een zeer slimme, zeer strikte robot zegt: "Ik wil zien wat er gebeurt als we muon-deeltjes tegen elkaar aan laten botsen bij 10 TeV en zoeken naar een specifiek soort afwijking in de regels." De robot knikt niet alleen; hij neemt die zin en bouwt automatisch de hele keuken op. Hij controleert of de ovens (computerprogrammen) werken, stelt de temperatuur in (natuurkundige parameters), bestelt de ingrediënten (deeltjesgebeurtenissen) en beslist zelfs welke instrumenten gebruikt moeten worden voor de uiteindelijke smaaktest (machine learning).

Het artikel introduceert deze agent als een workflow die een eenvoudige conversatie omzet in een rigoureuze, 12-staps wetenschappelijke studie. De auteurs, Yu-Chen Guo, Jie Wang en Ji-Chong Yang, hebben een systeem gebouwd waarbij een AI-agent optreedt als de dirigent van een orkest. De agent luistert naar je verzoek in gewone mensentaal en vertaalt dit vervolgens naar een vastgestelde set instructies die gespecialiseerde natuurkundige software (zoals MadGraph5_aMC@NLO en Delphes) kan volgen. De magie hier is dat de AI nooit de eigenlijke wiskunde of de getallen aanraakt. Het is als een chef die het recept schrijft en de sous-chefs precies vertelt wat ze moeten doen, maar zelf nooit de pan roert of de soep proeft. Dit zorgt ervoor dat het "koken" wordt gedaan door vertrouwde, bewezen instrumenten, terwijl de AI de rommelige taak op zich neemt om alles in de juiste volgorde te houden.

Het systeem werkt in twaalf duidelijke fasen, bewegend van een simpel gesprek naar een definitief, gecontroleerd rapport.

1. De Intake: Je praat met de agent en specificeert het type botsing, de energie en wat je wilt vinden. De agent legt deze details vast in een configuratiebestand zodat er later niets per ongeluk kan veranderen.
2. De Setup: Het controleert of alle noodzakelijke computerprogramma's geïnstalleerd zijn en klaar zijn voor gebruik.
3. De Simulatie: Het voert het zware werk uit: het genereren van miljoens gesimuleerde deeltjesbotsingen, het simuleren van hoe detectoren deze zouden waarnemen, en het creëren van "zuivere" voorbeelden van hoe nieuwe natuurkunde eruit zou kunnen zien.
4. De Machine Learning: Hier wordt de agent slim. Hij kijkt naar de data en stelt de beste wiskundige instrumenten (algoritmen) voor om het verschil te spotten tussen "normale" natuurkunde en "nieuwe" natuurkunde. Hij kiest een specifiek "werkpunt"—een drempelwaarde voor wat als een 'hit' telt—en houdt zich daar gedurende de hele studie aan.
5. De Analyse: Het scant door verschillende mogelijkheden, past de data aan een curve aan en berekent hoe sterk het bewijs is voor of tegen de nieuwe natuurkunde.
6. De Audit: Ten slotte controleert de agent zijn eigen werk. Hij verifieert of elk bestand bestaat, of elk getal overeenkomt met het plan en of het verhaal logisch is. Hij stelt zelfs een manuscript op voor wetenschappers om te lezen, waarbij exact wordt vermeld waar elk getal vandaan komt.

Het artikel demonstreert dit met een specifiek voorbeeld: het simuleren van een botsing bij een toekomstige muon-collider met een energie van 10 TeV. De agent leidde het proces succesvol, genereerde event-samples, trainde machine learning-modellen (zoals AdaBoost) en produceerde een statistisch interval voor een specifieke coëfficiënt ($c_{gT,0}$). De resultaten toonden aan dat met een specifieke drempelwaarde van 0,78 het systeem de natuurkundige parameter kon beperken tot een bereik van ongeveer $[-0,948, 1,531] \times 10^{-3} \text{ TeV}^{-4}$ bij een significantieniveau van 2.

Cruciaal is dat de auteurs er zorgvuldig bij vermelden wat dit hulpmiddel niet is. Het is geen toverstaf die alle natuurkundige problemen oplost, noch vervangt het de noodzaak voor menselijke wetenschappers om de theorie te begrijpen. De agent kan geen nieuwe natuurkunde uitvinden, en hij beweert geen nieuw deeltje te hebben gevonden. Het is een instrument voor reproduceerbaarheid. In het verleden, als een wetenschapper een complexe studie wilde herhalen, moest hij wellicht wekenlang opnieuw uitzoeken hoe de vorige persoon de computerprogramma's had ingesteld. Met SMEFT-Pheno-Agent wordt het hele proces vastgelegd in een "manifest"—een digitaal bonnetje dat bewijst wat er precies is gedaan, hoe het is gedaan en wat de resultaten waren. Als je de studie wilt herhalen, kan de agent het weer doen, exact op dezelfde manier, omdat hij nooit vertrouwt op gokwerk of geheugen.

Het artikel betoogt dat deze aanpak een grote flessenhals in de moderne natuurkunde oplost: het "overdrachtsprobleem" (handoff problem). Normaal gesproken is de overgang van het ene computerprogramma naar het andere een fragiel, handmatig proces waarbij fouten stilletjes kunnen binnensluipen. Door deze overdrachten te automatiseren en een strikt, onveranderlijk logboek van elke stap bij te houden, zorgt de agent ervoor dat de wetenschap solide is. De auteurs suggereren dat hoewel deze specifieke versie zich richt op één type natuurkundig scenario, het raamwerk uiteindelijk kan worden uitgebreid om complexere, multi-parameter studies aan te kunnen. Voor nu staat het als een bewijs van concept: een manier om AI het papierwerk en de infrastructuur te laten afhandelen, zodat natuurkundigen zich kunnen concentreren op de grote vragen.