⚛️ high-energy experiments

HEPTAPOD: Orchestrating High Energy Physics Workflows Towards Autonomous Agency

Este artigo apresenta o HEPTAPOD, um framework de orquestração que integra modelos de linguagem de grande escala em fluxos de trabalho de física de altas energias para permitir a execução autônoma de tarefas de múltiplas etapas através de cálculos teóricos, simulações e análise de dados, mantendo a transparência, a reprodutibilidade e a supervisão humana.

Autores originais: Tony Menzo, Alexander Roman, Sergei Gleyzer, Konstantin Matchev, George T. Fleming, Stefan Höche, Stephen Mrenna, Prasanth Shyamsundar

Publicado 2026-07-21

📖 4 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Tony Menzo, Alexander Roman, Sergei Gleyzer, Konstantin Matchev, George T. Fleming, Stefan Höche, Stephen Mrenna, Prasanth Shyamsundar

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que o universo é um enorme quebra-cabeça invisível feito de peças minúsculas e invisíveis. Os cientistas que estudam essas peças são chamados de físicos de altas energias, e eles trabalham em um campo conhecido como Física de Altas Energias (HEP). Para resolver o quebra-cabeça, eles não apenas olham para rochas ou estrelas; eles colidem partículas a quase a velocidade da luz usando máquinas massivas chamadas colisores. Mas, como não conseguem ver as peças diretamente, eles precisam construir simulações computacionais gigantescas e complexas para adivinhar o que acontece quando essas partículas colidem. Essas simulações são como um livro de receitas digital: você mistura ingredientes específicos (modelos teóricos), cozinha de uma forma específica (cálculos matemáticos) e vê qual prato você obtém (os dados).

O problema é que cozinhar essas refeições digitais é incrivelmente difícil. Isso requer uma longa cadeia de diferentes programas de computador, cada um falando uma linguagem ligeiramente diferente. Um cientista tem que dizer manualmente ao primeiro programa para criar um modelo, depois copiar os resultados para o segundo programa para simular a colisão, depois mover esses resultados para um terceiro programa para ver como as partículas ficam após a colação, e assim por diante. Se um passo der errado, toda a cadeia quebra, e o cientista tem que começar do zero. Recentemente, um novo tipo de cérebro de computador chamado Modelo de Linguagem de Grande Escala (LLM) tornou-se muito bom em ler e escrever código. As pessoas começaram a se perguntar: "Podemos ensinar esses cérebros de IA a serem o chef principal, gerenciando automaticamente toda essa cadeia de cozinha para nós?" Esta é a grande questão que o artigo aborda.

O artigo apresenta um novo sistema chamado HEPTAPOD (que significa HEP Toolkit for Agentic Planning, Orchestration, and Deployment — Kit de Ferramentas de Planejamento, Orquestração e Implantação Agêntica de HEP). Pense no HEPTAPOD como um subchefe superinteligente e altamente organizado que senta entre o cientista humano e a cozinha bagunçada de programas de computador. Em vez de deixar a IA apenas adivinhar o que digitar (o que frequentemente leva a erros), o HEPTAPOD fornece à IA um conjunto de "ferramentas" estritas e pré-aprovadas. Cada ferramenta é como um utensílio de cozinha especializado com um rótulo claro: "Este utensílio mistura ingredientes", "Este utensílio pica vegetais", "Este utensílio verifica a temperatura". A IA não pode simplesmente agitar as mãos e esperar pelo melhor; ela tem que escolher o utensílio certo, usá-lo corretamente e, então, relatar exatamente o que fez.

Em seus experimentos, os pesquisadores testaram este sistema com um desafio de culinária específico: simular uma partícula hipotética chamada "leptoquark" (uma partícula inventada que pode existir além do nosso entendimento atual da física). Eles pediram à IA para executar uma simulação onde testaria três "massas" (pesos) diferentes para essa partícula: 1,0, 1,5 e 2,0 TeV. Sem as ferramentas especiais do HEPTAPOD, a IA tentou fazer o trabalho escrevendo seu próprio código de computador do zero. Ela falhou miseravelmente, travando a simulação ou produzindo resultados vazios todas as vezes. Foi como pedir a um robô para construir um carro inventando suas próprias chaves de fenda e martelos sobre a hora; ele ficou confuso e deixou as peças caírem.

No entanto, quando os pesquisadores deram à IA o kit de ferramentas HEPTAPOD, a história mudou completamente. A IA navegou com sucesso por toda a cadeia: construiu o modelo, executou a simulação de colisão, processou os resultados e até corrigiu seus próprios erros quando acidentalmente pulou uma etapa. Em 7 de 10 tentativas, a IA reconstruiu com sucesso a "assinatura" do leptoquark, encontrando os picos corretos nos dados que correspondiam aos pesos que eles procuravam. O sistema não apenas adivinhou; ele manteve um registro detalhado de cada movimento, permitindo que o cientista humano verificasse seu trabalho e garantisse que nada fosse falsificado.

O artigo sugere que esta abordagem é um caminho promissor. Ele mostra que, ao envolver softwares científicos complexos em ferramentas simples e confiáveis, podemos transformar a IA de um gerador de código caótico em um assistente científico disciplinado. O sistema não substitui o cientista humano; em vez disso, ele atua como um parceiro transparente e auditável que lida com as partes chatas, repetitivas e propensas a erros do fluxo de trabalho, deixando o humano focar nas grandes ideias. Embora este teste específico tenha sido uma simulação, os resultados indicam que, com a estrutura adequada, agentes de IA podem orquestrar de forma confiável os fluxos de trabalho complexos de várias etapas que a física moderna exige.

Resumo Técnico: HEPTAPOD – Orquestrando Fluxos de Trabalho de Física de Altas Energias rumo à Agência Autônoma

Declaração do Problema

A pesquisa em física de altas energias (HEP) depende de pipelines computacionais complexos e de múltiplos estágios, envolvendo álgebra simbólica, geração de elementos de matriz, parton showering, hadronização, simulação de detector e análise numérica. Embora os componentes de software individuais (por exemplo, FeynRules, MadGraph5_aMC@NLO, Pythia, FastJet) sejam maduros e robustos, a coordenação dessas ferramentas permanece amplamente manual. Pesquisadores devem construir manualmente run cards, gerenciar caminhos de arquivos intermediários, garantir a consistência de parâmetros entre as ferramentas e depurar falhas em qualquer estágio. Esta orquestração manual é intensiva em tempo, propensa a erros e difícil de escalar em varreduras de parâmetros ou grandes espaços de modelos.

Embora os Grandes Modelos de Linguagem (LLMs) tenham evoluído para interfaces computacionais de uso geral capazes de planejar e executar fluxos de trabalho de múltiplas etapas, sua aplicação em HEP tem sido limitada. Aplicações iniciais focaram em geração de código ou documentação. Frameworks agentes existentes em HEP (por exemplo, ArgoLOOM, Agents of Discovery, LLM4HEP) começaram a emergir, mas frequentemente carecem de um mecanismo estruturado para garantir reprodutibilidade, transparência e supervisão humana ao integrar códigos científicos externos. O desafio central é permitir que os LLMs coordenem esses fluxos de trabalho de forma confiável sem gerar código não estruturado e não verificado ou perder o rastro do estado ao longo de longas cadeias de execução.

Metodologia

Os autores apresentam o HEPTAPOD (HEP Toolkit for Agentic Planning, Orchestration, and Deployment), um framework de orquestração projetado para integrar LLMs em pipelines de teoria de HEP. O framework é construído sobre o motor Orchestral AI, um suporte de orquestração de agentes agnóstico a provedores, mas é especificamente configurado para ferramentas científicas em vez de engenharia de software geral.

A metodologia baseia-se em quatro pilares arquitetônicos fundamentais:

Ferramentas com Validação de Esquema:
Em vez de depender da geração de código de forma livre para cada operação, o HEPTAPOD expõe capacidades científicas como classes Python com esquemas JSON estruturados. Estas ferramentas definem tipos estritos de entrada e saída (usando RuntimeField para argumentos fornecidos pelo usuário e StateField para dados de ambiente injetados).
- Validação: Os argumentos são validados contra o esquema antes da execução.
- Tratamento de Erros: As ferramentas retornam mensagens de erro estruturadas (em vez de logs brutos) em caso de falha, permitendo que o agente interprete e recupere-se de erros de forma determinística.
- Docstrings: Cada ferramenta inclui uma docstring detalhada em linguagem natural explicando seu propósito científico e semântica, que é injetada no contexto do LLM para guiar a tomada de decisão.
Estruturas de Dados de Eventos Compatíveis com LLM (evtjsonl):
Formatos tradicionais de HEP (ROOT, HepMC, LHE) são opacos para LLMs. O HEPTAPOD introduz um formato de texto baseado em JSON delimitado por linhas (evtjsonl) para dados de eventos intermediários. Este formato codifica quatro-vetores de partículas, IDs e códigos de status em um registro autocontido que o agente pode inspecionar diretamente dentro do contexto da conversa. Isso permite que o agente realize validação semântica (por exemplo, verificando multiplicidades implausíveis) sem a necessidade de ferramentas externas de desserialização.
Orquestração Baseada em Run-Cards:
O framework utiliza run cards legíveis por humanos (por exemplo, .mg5, .cmnd) como a interface canônica entre o agente e os códigos externos.
- Placeholders: O sistema suporta run cards baseadas em templates onde placeholders (por exemplo, [[UFO_PATH]]) são automaticamente substituídos por caminhos de arquivos reais no momento da execução.
- Auditabilidade: Cada decisão de configuração é capturada em um artefato persistente e versionável, permitindo pontos de aprovação humana antes da execução.
Propagação de Contexto com Estado:
A camada de orquestração mantém um estado de conversa estruturado. Quando uma ferramenta detecta uma varredura de parâmetros (por exemplo, múltiplos pontos de massa), ela retorna metadados estruturados associando cada ID de execução aos seus parâmetros e caminhos de arquivo específicos. Esses metadados são propagados para as etapas subsequentes (por exemplo, de MadGraph para Pythia) sem exigir que o agente processe nomes de diretórios ou recorde nomes de arquivos.

Principais Contribuições

O artigo apresenta as seguintes contribuições específicas:

O Framework HEPTAPOD: Uma infraestrutura de orquestração completa que faz a ponte entre o raciocínio de LLM e o software de domínio de HEP. Ele abstrai tarefas teóricas em ferramentas modulares e validadas por esquema.
Um Estudo de Caso Representativo: Uma demonstração completa de ponta a ponta de uma análise de leptoquark escalar ( $S_1$ $S_{1}$ ) além do Modelo Padrão (BSM). O fluxo de trabalho abrange:
1. Geração de modelo (FeynRules $\to$ UFO).
2. Geração de eventos em nível de partons com uma varredura de parâmetros (MadGraph).
3. Showering e hadronização (Pythia).
4. Agrupamento de jatos (jet clustering) (FastJet/SlowJet).
5. Seleção de objetos e reconstrução de ressonância.
6. Visualização da distribuição de massa do leptoquark reconstruído ( $m_{LQ}^{min}$ ).
Benchmarking Quantitativo: Uma comparação do desempenho do framework contra uma linha de base "core-only" (onde o agente possui apenas capacidades de shell/Python sem ferramentas de domínio).
- Assistido por Ferramentas: O agente completou o fluxo de trabalho completo em 7 de 10 tentativas ($pass@1 = 0.70$) e atingiu 100% de sucesso após algumas tentativas.
- Core-Only: O agente falhou em completar o fluxo de trabalho em todas as 10 tentativas ($pass@1 = 0$). As falhas foram principalmente devido a erros de serialização JSON ao gerar scripts complexos e reconstrução incorreta de observáveis físicos.
Mecanismo de Recuperação de Erros: O framework demonstra a capacidade do agente de detectar erros estruturados (por exemplo, falta de clustering de jatos para um ponto de varredura específico), reinvocar a ferramenta necessária e retomar o fluxo de trabalho sem intervenção humana.

Resultados

Os resultados do benchmark destacam o papel crítico da camada de orquestração:

Confiabilidade: As ferramentas validadas por esquema reduziram a carga de serialização sobre o LLM. Sem as ferramentas, o modelo frequentemente falhava ao serializar payloads complexos (scripts inteiros/run cards) como JSON válidos, levando a falhas fatais.
Correção Física: Com as ferramentas de domínio, o agente reconstruiu corretamente os picos de ressonância nos pontos de massa injetados (1.0, 1.5 e 2.0 TeV). Sem as ferramentas, mesmo quando o pipeline era executado, as distribuições de massa resultantes eram vazias ou colapsavam para zero, indicando uma falha na implementação da lógica física.
Eficiência: O agente assistido por ferramentas exigiu menos tokens e chamadas de ferramenta em comparação com a variante core-only, que frequentemente terminava precocemente ou exigia excessivas tentativas.

Significância e Alegações

Os autores posicionam o HEPTAPM não como um sistema totalmente autônomo que substitui pesquisadores humanos, mas como um sistema human-in-the-loop que aumenta o raciocínio científico.

Fundação para Reprodutibilidade: Ao impor a validação de esquema e a configuração baseada em run cards, o HEPTAPOD estabelece uma fundação para a pesquisa assistida por IA transparente, auditável e reprodutível.
Segurança e Supervisão: O framework garante que os LLMs operem dentro de fluxos de trabalho computacionais estabelecidos, preservando a supervisão humana em pontos críticos de decisão (por exemplo, aprovação de run card).
Escalabilidade: A natureza modular do conjunto de ferramentas permite a adição fácil de novas capacidades (por exemplo, novos geradores ou técnicas de análise) através da implementação de uma única subclasse BaseTool, que a camada de orquestração então coordena automaticamente.
Perspectiva Futura: O artigo sugere que esta infraestrutura permite aplicações futuras, como modelagem automatizada de background, ajuste de geradores (generator tuning) e refinamento iterativo de modelos, onde múltiplos agentes poderiam colaborar em extensões teóricas e viabilidade fenomenológica.

O artigo conclui que o HEPTAPOD fornece a infraestrutura necessária para transicionar os fluxos de trabalho de HEP de scripts manuais e propensos a erros para pipelines assistidos por agentes que são confiáveis, adaptáveis e interpretáveis, preenchendo a lacuna entre entradas teóricas simbólicas e dados mensuráveis.