Agentic Diagrammatica: Towards Autonomous Symbolic Computation in High Energy Physics

O artigo apresenta o Diagrammatica, uma extensão do framework agêntico HEPTAPOD que permite a agentes de IA realizar cálculos simbólicos confiáveis em Física de Altas Energias ao delegar manipulações matemáticas complexas para um backend especializado, validando sua eficácia através de cálculos de larguras de decaimento e estudos de sensibilidade.

O essencial

Imagine que você tem um assistente de inteligência artificial (IA) extremamente inteligente, capaz de escrever código, resolver equações complexas e planejar grandes projetos. Agora, imagine que você pede a esse assistente para fazer um cálculo de física de partículas, algo que envolve matemática avançada e regras invisíveis que só os especialistas conhecem.

O problema é que, se você pedir para a IA "escrever a fórmula" livremente, ela pode inventar um sinal de menos onde deveria ser um mais, ou esquecer uma regra de simetria. O resultado parece correto, mas está errado. Na física, um erro silencioso assim pode levar a conclusões totalmente falsas.

É aqui que entra o Diagrammatica, apresentado neste artigo.

A Ideia Central: O Arquiteto e o Mestre de Obras

Pense no sistema como uma construção de um prédio:

• A IA (o Agente) é o Arquiteto. Ela entende o projeto, sabe o que o cliente quer e planeja o caminho.
• O Diagrammatica é o Mestre de Obras com Ferramentas Especiais. Em vez de deixar o Arquiteto tentar construir o prédio tijolo por tijolo (o que pode gerar erros), o Arquiteto desenha um plano simples e usa ferramentas que só permitem encaixar peças que se encaixam perfeitamente.

O grande segredo do Diagrammatica não é fazer a IA "pensar melhor", mas limitar o que ela pode fazer para que ela não possa errar.

Como funciona na prática?

O artigo descreve duas formas de usar esse sistema, como se fossem dois tipos de "lentes" para olhar o mesmo problema:

1. A Lente Rápida (NDA - Análise Dimensional "Ingênua"):
   Imagine que você quer saber o tamanho de um elefante, mas não precisa de uma régua milimétrica. Você olha para ele e diz: "É grande, talvez 5 metros". O Diagrammatica faz isso com cálculos de física. Ele usa regras de "chute educado" (baseado em dimensões e potências) para dizer: "Esse processo de decaimento de partículas deve acontecer com uma frequência X". É rápido, serve para ter uma ideia geral e não precisa de softwares pesados.

2. A Lente Precisa (EDA - Análise Diagramática Exata):
   Agora, você precisa saber o peso exato do elefante para construir uma ponte. O Diagrammatica usa uma ferramenta chamada FeynCalc (um software de matemática pura) para fazer o cálculo exato.

   • O Pulo do Gato: A IA não escreve o código matemático complexo. Ela apenas preenche um formulário simples (um "diagrama") dizendo: "Tenho uma partícula A que vira B e C".
   • O sistema pega esse formulário, verifica se as regras estão certas e, então, um computador confiável faz toda a matemática difícil automaticamente. A IA só escolhe o que calcular, não como calcular.

Por que isso é revolucionário?

Antes, se você pedisse para uma IA fazer física, ela tentaria "adivinhar" as regras da física enquanto escrevia o código. Era como pedir para alguém montar um quebra-cabeça de 10.000 peças de olhos vendados, confiando apenas na memória.

O Diagrammatica muda as regras do jogo:

• O "Formulário Mágico": A IA só pode preencher campos específicos (como "tipo de partícula", "spin", "massa"). Se ela tentar colocar algo que não faz sentido na física, o sistema bloqueia. Isso elimina erros "silenciosos".
• O "Livro de Regras" Inteligente: Em vez de jogar um livro inteiro de física na memória da IA, o sistema entrega apenas a página exata que ela precisa naquele momento (por exemplo, "como calcular a soma de spins agora?"). Isso evita que a IA se confunda com excesso de informação.

Os Testes (As Provas de Fogo)

Os autores testaram o sistema com duas missões difíceis:

1. O Catálogo de Decaimentos: Eles pediram para a IA calcular todas as formas possíveis de uma partícula se dividir em duas. A IA gerou uma lista completa de 19 fórmulas diferentes, verificou se elas batiam com os dados reais do Modelo Padrão (a "bíblia" da física de partículas) e até criou gráficos bonitos. Ela fez isso sozinha, sem ajuda humana, e acertou quase tudo.
2. O Estudo do Múon: Eles pediram para analisar um decaimento de múon que pode criar várias pares de elétrons e pósitrons. O número de possibilidades (diagramas) cresceu para mais de 150.000. A IA conseguiu organizar essa bagunça, estimar quais eram os mais prováveis e dizer até onde os experimentos futuros conseguiriam ver esses fenômenos.

A Conclusão Simples

O Diagrammatica é como dar óculos de realidade aumentada para uma IA. Ele não torna a IA mais inteligente em termos de "cérebro", mas torna sua "mão" muito mais precisa.

Ao transformar a física complexa em formulários simples e ferramentas automáticas, eles criaram um sistema onde a IA pode planejar e executar cálculos teóricos complexos com a confiança de um físico experiente, sem o medo de cometer erros bobos que poderiam derrubar todo o projeto. É um passo gigante para ter assistentes de IA que realmente ajudam cientistas a descobrir novas leis do universo, em vez de apenas gerar textos bonitos, mas falsos.

Resumo técnico

Resumo Técnico: Agentic Diagrammatica

1. O Problema: Confiabilidade na Computação Simbólica com LLMs

O artigo identifica um desafio fundamental na aplicação de Modelos de Linguagem Grandes (LLMs) à física de altas energias (HEP): a confiabilidade na computação simbólica.

• Natureza do Problema: Diferente da geração de código de controle ou simulações de Monte Carlo, a computação simbólica (cálculo de amplitudes de espalhamento, larguras de decaimento, traços de Dirac) é governada por convenções matemáticas implícitas (assinatura métrica, normalização de espinores, convenções de fase em matrizes CKM/PMNS, etc.).
• Falha dos LLMs Atuais: LLMs geram tokens sequencialmente. Em cálculos multi-etapa, a consistência interna dessas convenções não é garantida. Um erro sutil em um passo (ex: sinal de um termo ou convenção de traço) pode propagar-se silenciosamente, resultando em respostas plausíveis, mas fisicamente incorretas.
• Limitação da Abordagem Atual: A literatura existente frequentemente confia em LLMs para escrever scripts livres (free-form) que executam ferramentas existentes. Isso transfere toda a carga de confiabilidade para a capacidade do modelo de recuperar e aplicar as convenções corretas a partir de um contexto longo, o que é propenso a erros de recuperação e variabilidade de execução.

2. Metodologia: Arquitetura Agente-Constrita

Os autores propõem o Diagrammatica, uma extensão do framework HEPTAPOD, que muda o paradigma de "geração de código livre" para "chamadas de ferramentas restritas por esquema" (tool-constrained computation).

A arquitetura baseia-se na decomposição da incerteza da ação do agente ($\Delta_A$) em três componentes:

1. Incerteza de Tarefa ($\Delta_T$): Resolvida por especificações de tarefa claras.
2. Incerteza de Contexto ($\Delta_C$): Resolvida por uma base de conhecimento navegável (Skills Graph) que fornece informações sob demanda, evitando o "diluir" do contexto.
3. Incerteza de Execução ($\Delta_E$): O foco principal. É reduzida estruturalmente ao restringir o espaço de ação do agente.

Principais Componentes da Arquitetura:

• Especificação de Diagrama Compartilhada (Diagram Specification): O agente não escreve código FeynCalc diretamente. Em vez disso, ele gera um objeto JSON estruturado e validado por esquema que descreve o processo físico (partículas iniciais/finais, spins, tipo de vértice Lorentz, acoplamentos).
  • Vantagem: O esquema força o agente a escolher entre um conjunto enumerado e fisicamente válido de opções, eliminando erros de sintaxe e convenção "silenciosos".
• Backends Confiáveis: O JSON é processado por ferramentas determinísticas que executam a álgebra exata.
• Dois Caminhos de Cálculo (Multi-fidelidade):
  1. NDA (Análise Dimensional Ingênua): Fornece estimativas de ordem de grandeza para larguras de decaimento e seções de choque, baseadas em contagem de potências de acoplamento e volumes de espaço de fase. Funciona para qualquer multiplicidade final.
  2. EDA (Análise Diagramática Exata): Gera automaticamente scripts Mathematica/FeynCalc a partir da especificação do diagrama para obter resultados simbólicos exatos (nível árvore).
• Enumerador de Diagramas (FeynGraph): Um motor em Rust que enumera automaticamente todos os diagramas de Feynman para um processo dado, classificando-os por importância física (número de propagadores pesados).
• Base de Conhecimento Teórico: Um grafo de habilidades que fornece convenções e exemplos de código FeynCalc no momento exato da decisão, reduzindo a incerteza de contexto.

3. Contribuições Chave

• Mudança de Paradigma: Demonstra que a confiabilidade em agentes científicos não depende apenas do conhecimento do modelo, mas do design da interface da ferramenta. Ao fixar convenções no esquema da ferramenta, a correção torna-se uma propriedade da interface, não do modelo.
• Diagrammatica Toolkit: Uma implementação funcional que integra especificação estruturada, enumeração automática, NDA e EDA em um fluxo de trabalho autônomo.
• Validação de Arquitetura: Prova que um agente LLM pode planejar e executar fluxos de trabalho teóricos complexos sem intervenção humana, desde a definição do problema até a validação cruzada e geração de relatórios.

4. Resultados e Benchmarks

O sistema foi validado em duas tarefas desafiadoras, executadas autonomamente em uma única sessão:

Tarefa 1: Catálogo Exaustivo de Larguras de Decaimento ($1 \to 2$)

• Objetivo: Calcular simbolicamente todas as larguras de decaimento de nível árvore para vértices únicos, cobrindo pais escalares, fermiônicos e vetoriais.
• Desempenho: O agente gerou 19 fórmulas independentes, cobrindo 6 famílias de vértices.
• Validação:
  • Realizou verificações cruzadas algébricas entre bases de acoplamento (ex: vetorial-axial vs. quiral).
  • Validou os resultados contra o Modelo Padrão (ex: $H \to b\bar{b}$, $Z \to e^+e^-$, $t \to Wb$), obtendo concordância dentro de 2-4% (esperado para nível árvore).
  • Identificou padrões físicos autônomos, como a classificação de ondas parciais ($\beta^1$ vs $\beta^3$) e o comportamento de polarização longitudinal.

Tarefa 2: Estudo de Sensibilidade do Decaimento do Múon

• Objetivo: Determinar a multiplicidade máxima de pares $e^+e^-$ ($n$) observável no decaimento $\mu \to \nu_\mu \bar{\nu}_e + n(e^+e^-) + e^-$.
• Desempenho: O agente enumerou 150.541 diagramas de nível árvore para multiplicidades $n=0$ a $n=3$.
• Análise:
  • Utilizou NDA para estimar taxas e classificou diagramas por número de propagadores pesados.
  • Realizou verificações cruzadas com MadGraph (cálculo exato) para $n=1$ e $n=2$, confirmando a precisão das estimativas NDA.
  • Identificou que a interferência quântica (destrutiva em altas multiplicidades) reduz a taxa em relação à soma incoerente do NDA.
  • Concluiu que $n=3$ é observável no experimento Mu3e (Fase I), enquanto $n=4$ está no limite da sensibilidade futura (HiMB).

5. Significado e Impacto

• Confiabilidade Estrutural: O trabalho demonstra que a "alucinação" em cálculos físicos pode ser mitigada ao restringir o espaço de ação do agente a escolhas semanticamente válidas, em vez de depender da capacidade de memória do modelo.
• Interpretabilidade: A especificação do diagrama (JSON) é um artefato humano legível e auditável, contrastando com scripts gerados que podem esconder erros.
• Escalabilidade: A abordagem permite que pesquisadores explorem espaços de parâmetros e processos complexos (como decaimentos de múons de alta multiplicidade) que seriam proibitivos para cálculos manuais.
• Futuro: O artigo sugere um caminho para sistemas autônomos onde agentes combinam raciocínio livre (estratégia) com execução restrita (tática), integrando teoria simbólica, simulação de Monte Carlo e análise de dados em um único fluxo de trabalho unificado.

Em suma, o Diagrammatica estabelece um novo padrão para a interação entre IA e física teórica, priorizando a correção mecânica garantida por design sobre a geração de código livre, permitindo que LLMs atuem como assistentes de pesquisa teórica verdadeiramente confiáveis.