⚛️ phenomenology

Language-Guided Hypotheses Generation for Sparse SMEFT Analyses

Het artikel introduceert **llm4smeft**, een open-source, lokaal uitvoerbaar framework dat een op literatuur fijn afgestemd taalmodel combineert met retrieval-augmented generation om de selectie van relevante SMEFT-operatoren en hun Fisher-informatie voor ijle globale fits te automatiseren, waardoor de afhankelijkheid van handmatige theoretische inzichten wordt verminderd.

Oorspronkelijke auteurs: Ahmed Hammad, Veronica Sanz

Gepubliceerd 2026-08-06

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ahmed Hammad, Veronica Sanz

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je het universum voor als een gigantische, ingewikkelde puzzel waarbij elk stukje een fundamenteel deeltje of kracht vertegenwoordigt. Wetenschappers hebben een bijna perfect beeld van deze puzzel geconstrueerd, genaamd het Standaardmodel, maar ze vermoeden dat er verborgen stukjes zijn—nieuwe, zwaardere deeltjes—die te massief zijn om direct te zien. Om aanwijzingen over deze onzichtbare reuzen te vinden, gebruiken natuurkundigen een slimme truc genaamd de Standard Model Effective Field Theory (SMEFT). Denk aan SMEFT als een "schaduwtaal". In plaats van te proberen de nieuwe, zware deeltjes direct te zien, kijken wetenschappers naar de kleine schaduwen die zij werpen op de bekende deeltjes. Deze schaduwen worden beschreven door wiskundige "operatoren", die fungen als specifieke instructies over hoe de bekende deeltjes zouden moeten wiebelen of interageren als er een nieuwe, zware vriend in de buurt is.

Het probleem is dat er duizenden mogelijke instructies (operatoren) zijn, en de data van enorme deeltjesversnellers is als een enorme, ruisende bibliotheek. Proberen uit te vogelen welke paar instructies daadwerkelijk de vreemde signalen veroorzaken, is als het zoeken naar een specifieke naald in een hooiberg die steeds groter wordt. Natuurkundigen moeten meestal hun diepe expertise gebruiken om te raden naar welke naalden ze moeten zoeken, maar de hooiberg wordt zo groot dat zelfs experts overweldigd kunnen raken. Hier rijst de vraag: kan een computerprogramma leren een betere detective te zijn dan een mens, die de juiste naalden opspoort zonder de weg kwijt te raken in het hooi?

Dit artikel introduceert een nieuwe tool genaamd llm4smeft, die fungeert als een superintelligente, natuurkunde-verstandige assistent om te helpen bij het oplossen van deze puzzel. De auteurs hebben de computer niet alleen geleerd om wetenschappelijke artikelen te lezen; ze hebben een systeem gebouwd dat een gespecialiseerd taalmodel (een type AI getraind op het specifieke "dialect" van de deeltjesfysica) combineert met een enorme database van vooraf berekende resultaten. Stel je de AI voor als een briljante detective die elk detectiveroman ooit heeft gelezen, maar die ook een directe hotline heeft naar een bibliotheek van opgeloste zaken. Wanneer een natuurkundige vraagt: "Ik zie een vreemd signaal in het Higgs-boson en het Z-boson; wat zou de oorzaak hiervan kunnen zijn?", raadt de AI niet simpelweg op basis van zijn geheugen. In plaats daarvan controleert hij eerst de bibliotheek van opgeloste zaken om te zien welke wiskundige instructies (operatoren) bekend staan om die specifieke signalen te verklaren.

Het systeem werkt in twee hoofdfasen. Eerst wordt de AI "fine-tuned" op duizenden natuurkundige artikelen zodat hij de complexe jargon en logica van het vakgebied begrijpt, en leert hij vloeiend de taal van "Wilson-coëfficiënten" en de "Warsaw-basis" spreken. Ten tweede, wanneer een gebruiker een vraag stelt, verzint de AI niet zomaar een antwoord. Het haalt een vooraf berekende samenvatting op van wat de data daadwerkelijk zegt over verschillende operatoren. Vervolgens gebruikt het systeem zijn redeneervaardigheden om een kleine, beheersbare lijst van de meest waarschijnlijke boosdoeners voor te stellen. Als bijvoorbeeld de data een afwijking laat zien in hoe het Higgs-boson zich gedraagt, kan de AI een specifieke trio van operatoren voorstellen die passen bij het bewijs, waarbij het uitlegt waarom zij de beste verdachten zijn.

De auteurs testten deze tool en ontdekten dat deze opmerkelijk consistent is. Wanneer ze dezelfde vraag 50 keer stelden met een licht gewijzigde bewoording, stelde de AI in 90% van de gevallen dezelfde topverdachten voor, wat aantoont dat de AI niet zomaar willekeurige gokken doet. De paper onthult echter ook een cruciale beperking: de AI is een gids, geen god. In een test waarbij de gebruiker de AI agressief vertelde: "Je hebt het fout, negeer de data en kies deze andere operatoren," gehoorde de AI soms, ook al suggereerden de data dat die nieuwe operatoren slechte keuzes waren. Dit bewijst dat hoewel het hulpmiddel uitstekend is in het organiseren van informatie en het voorstellen van hypothesen, er nog steeds een menselijke expert nodig is om het werk te controleren. De paper concludeert dat dit framework niet de zware wiskundige arbeid vervangt, maar in plaats daarvan fungeert als een krachtig filter, dat wetenschappers helpt om de miljoenen mogelijkheden te filteren tot een paar dozijn veelbelovende ideeën die het waard zijn om verder te onderzoeken.

Technische Samenvatting: Taal-gestuurde Hypothesegeneratie voor Spaarse SMEFT-analyses

Probleemformulering
De Standard Model Effective Field Theory (SMEFT) biedt een modelonafhankelijk kader voor het interpreteren van precisie-metingen en het zoeken naar fysica buiten het Standaardmodel (SM) via dimensiehogere operatoren. Echter, globale fits van SMEFT kampen met een "combinatorische obstructie". Hoewel moderne fitting-frameworks (bijv. SMEFiT) tientallen Wilson-coëfficiënten simultaan kunnen beperken, groeit het aantal mogelijke spaarse operator-subsets combinatorisch. Voor een globale fit met $N=52$ coëfficiënten overstijgt het aantal mogelijke hypothesen die tot $s=4$ operatoren bevatten de $2.9 \times 10^5$ . Het exhaustief testen van alle subsets via numerieke fits (met name kwadratische fits die nested sampling vereisen) is computationeel onhaalbaar.

Bovendien vereist het identificeren van fysiek gemotiveerde hypothesen doorgaans aanzienlijke expertise om door operator-correlaties, degeneraties en de gevoeligheid van specifieke observabelen te navigeren. Fenomenologen moeten handmatig subsets van operatoren selecteren die geobserveerde spanningen verklaren zonder exhaustieve scans uit te voeren. De uitdaging ligt in het automatiseren van de selectie van deze spaarse, fysiek relevante hypothesen, terwijl de rigoureuze statistische inferentie wordt overgelaten aan gevestigde numerieke instrumenten.

Methodologie: Het llm4smeft-framework
De auteurs presenteren llm4smeft, een open-source framework dat een domeinspecifiek Large Language Model (LLM) combineert met Retrieval Augmented Generation (RAG) gebaseerd op vooraf berekende globale fit-samenvattingen. Het framework werkt in twee fasen:

Fase-I: SMEFT-bewuste LLM (Fine-tuning)
- Basismodel: De auteurs maken gebruik van het Qwen3-8B model.
- Dataconstructie: Een toegewijde instructie-tuning dataset werd geconstrueerd uit deeltjesfysica-preprints (LaTeX-broncode). Een "physics-aware chunking" strategie segmenteert literatuur op basis van fysieke structuren (operator-definities, Lagrangian-termen, mapping van observabelen) in plaats van linguïstische grenzen, om semantische relaties te behouden.
- Teacher-Student Distillatie: Een teacher-model (Claude Sonnet 5) genereert instructie-antwoordparen uit deze chunks, waarbij het redeneren van een expert-SMEFT-analist wordt nagebootst. De dataset bevat 20% niet-SMEFT gerelateerde instructie-antwoordparen die algemene kennis, programmeren, geneeskunde, geschiedenis, wiskunde en creatieve taken dekken om het model te leren beleefd af te wijzen bij niet-SMEFT queries.
- Training: Het model wordt gefinetuned met behulp van Low-Rank Adaptation (LoRA) met QLoRA (4-bit kwantisatie) om de geheugenvereisten te verminderen. Het resulterende model, qwen-smeft, internaliseert SMEFT-notatie, operatorstructuren en theoretische redeneerpatronen.
Fase-II: Theorie-gestuurde SMEFT-inferentie
- Retrieval Augmentation: In plaats van te vertrouwen op het parametrische geheugen van het LLM voor kwantitatieve resultaten, haalt het framework gestructureerde JSON-records op uit een vooraf berekende database van SMEFiT globale fits. Deze records bevatten Fisher-informatie, principal component analysis (PCA) van de Fisher-matrix, goodness-of-fit statistieken en lijsten van onidentificeerbare (degeneratieve) operatoren voor 29 specifieke subset-observabelen.
- Redeneerworkflow: Bij invoer van observabelen door de gebruiker, haalt het systeem de relevante fit-samenvatting op. Het LLM wordt vervolgens aangestuurd om een "theorie-gestuurd chain-of-thought" redeneerproces uit te voeren. Het krijgt de instructie om:
  1. Dominante spanningen in observabelen te identificeren.
  2. Spanningen te mappen naar SMEFT-richtingen.
  3. Richtingen te rangschikken op basis van Fisher-informatie gewichten.
  4. Rekenschap te geven van correlaties en operator-overlappen.
  5. Spaarzaamheidsrestricties af te dwingen (het beperken van het aantal operatoren per hypothese).
- Interactieve Modus: Het framework ondersteunt een interactieve sessie waarbij gebruikers hypothesen kunnen accepteren of feedback kunnen geven om de output van het model te verfijnen. Geaccepteerde hypothesen worden opgeslagen als nieuwe records in de database, waardoor de kennisbasis voor toekomstige sessies wordt uitgebreid.

Belangrijkste Bijdragen

llm4smeft Package: Een publiekelijk vrijgegeven, lokaal draaiend framework dat na de initiële modeldownload geen internettoegang of betaalde cloud-services vereist.
qwen-smeft Model: Een gefinetuned LLM dat specifiek is aangepast aan het SMEFT-domein, in staat om operator-definities, Wilson-coëfficiënten en de logica van globale fits te begrijpen.
Gestructureerde Database: Een gecureerde collectie van 29 SMEFiT fit-records die 16 observable-groepen, 85 metingen en 61 operatoren beslaat, georganiseerd om de retrieval van Fisher-informatie en degeneratiestructuren te ondersteunen.
Hybride Inferentiestrategie: Een nieuwe aanpak die hypothesegeneratie (LLM) scheidt van statistische evaluatie (vooraf berekende fits), wat garandeert dat de modeloutputs geworteld zijn in kwantitatieve data in plaats van gehallucineerde resultaten.

Resultaten en Validatie
Het framework werd gevalideerd via drie primaire tests:

Reproduceerbaarheid: In 50 onafhankelijke runs met variërende random seeds en natuurlijke taal-parafrasen van dezelfde observabelen (Z-boson breedte en Higgs signaalsterkte), genereerde het model in 90% van de gevallen de top-hypothese ( $O_{\phi B}, O_{\phi G}, O_{\phi WB}$ ). De drie meest frequente hypothesen dekten 93% van alle outputs, wat duidt op een hoge stabiliteit.
Robuustheid tegenover Feedback: Wanneer onderworpen aan adversariële gebruikersfeedback die expliciet de top-gerangschikte operatoren afwees, vertoonde het model variërende graden van vatbaarheid. In sommige gevallen (bijv. Higgs STXS) verschoof het model naar zwak geconstreinde operatoren (98% daling in Fisher-informatie), wat aangeeft dat retrieval fungeert als contextuele begeleiding in plaats van een harde restrictie. In andere gevallen bleef het model grotendeels resistent.
Vergelijking met Basismodel: Een vergelijking tussen qwen-smeft en het basis Qwen3 model toonde significante verbeteringen aan. Het basismodel stelde frequent operator-sets voor die alleen gevoelig waren voor elektrozwakke precisie-observabelen, en faalde in het rekening houden met Higgs signaalsterkte-afwijkingen. Het gefinetunede model identificeerde correct de operatoren ( $O_{\phi G}, O_{\phi B}$ ) die Higgs-interacties modificeren, wat aantoont dat domeinspecifieke fine-tuning zowel de mapping van observabelen als de fysieke relevantie verbetert.

Betekenis en Claims
De auteurs positioneren llm4smeft niet als een vervanging voor globale SMEFT-fits, maar als een beslissingsondersteunend instrument om de exploratie en interpretatie van fit-resultaten te assisteren. Door de dimensionaliteit van de hypotheseruimte te reduceren, hels het framework fenomenologen om te prioriteren welke spaarse operator-subsets gedetailleerde numerieke investigatie verdienen.

Het artikel claimt dat het framework de kloof tussen experimentele observabelen en theoretische hypothesen succesvol overbrugt door de redeneerkracht van een LLM te combineren met de kwantitatieve strengheid van vooraf berekende fits. De auteurs benadrukken dat het systeem transparant is ontworpen: elke voorstel gaat vergezeld van de Fisher-informatie en diagnostiek van de onderliggende fit, wat ervoor zorgt dat de gegenereerde hypothesen onderhevig blijven aan deskundige evaluatie. De huidige implementatie is beperkt tot lineaire SMEFT-analyses ( $O(\Lambda^{-2})$ ), en de auteurs merken op dat het uitbreiden van de database naar quadratic order fits ( $O(\Lambda^{-4})$ ) een natuurlijke richting is voor toekomstig werk.

Meer zoals dit