Large Language Model-Assisted Framework for BSM Model Building

Resumo Técnico: Estrutura de Construção de Modelos BSM Assistida por Grandes Modelos de Linguagem

Definição do Problema
A construção de modelos teóricos para a física além do Modelo Padrão (BSM) é um processo laborioso e propenso a erros. Embora o Modelo Padrão (SM) seja bem estabelecido, estendê-lo requer a adição de novos campos escalares e/ou fermiônicos e a derivação manual do conjunto completo de operadores renormalizáveis e invariantes de calibre. À medida que o número de novos campos aumenta, a complexidade combinatória para identificar termos de interação permitidos, verificar a consistência de anomalias de calibre e expandir operadores em campos de componentes e derivar matrizes de massa de quebra de simetria eletrofraca (EWSB) cresce rapidamente. Este fluxo de trabalho manual frequentemente leva à omissão de operadores relevantes ou à inclusão de termos linearmente dependentes, criando uma barreira para a exploração eficiente de modelos, particularmente para estudantes e pesquisadores que desenvolvem extensões complexas.

Metodologia
Os autores apresentam o bsm_agent, um framework Python de código aberto que integra um backend de física simbólica determinística com uma camada de orquestração de Grande Modelo de Linguagem (LLM). O sistema é projetado para separar a intenção conversacional da computação física para garantir reprodutibilidade e rigor.

1. Backend Simbólico Determinístico:

   • Camada de Campos e Grupos: Define o conteúdo de campos do SM e suporta extensões com hipercargas $U(1)_Y$ arbitrárias, representações de $SU(2)_L$ de até dimensão 7 e representações de $SU(3)_c$ até o octeto adjunto.
   • Construção do Modelo: Gera automaticamente a base completa de operadores renormalizáveis (dimensão $\leq 4$) invariantes de calibre (potencial escalar, Yukawa, massa fermiônica) baseando-se unicamente nos números quânticos dos novos campos. Emprega algoritmos de teoria de grupos para lidar com contrações de índices de $SU(2)$e$SU(3)$ usando coeficientes de Clebsch-Gordan e tensores invariantes.
   • Verificação de Anomalia: Computa coeficientes de anomalia padrão ($SU(3)^3$, $SU(2)^2 U(1)$, etc.) somando sobre férmions de Weyl de mão esquerda.
   • Expansão e EWSB: Expande operadores invariantes de calibre em campos de componentes explícitos. Aplica valores de expectativa de vácuo (VEVs) aos componentes escalares neutros para derivar condições estacionárias e matrizes de massa em nível de árvore para escalares e férmions.
   • Otimização: Inclui otimizações sensíveis à representação, como bases reduzidas com simetria de Bose para múltiplos escalares repetidos e construções de base adjunta para octetos de cor, para mitigar problemas de escalonamento computacional.

2. Camada de Interação Assistida por LLM:

   • Orquestração: O LLM serve exclusivamente como uma interface e roteador de ferramentas. Ele interpreta solicitações em linguagem natural (ex: "construa um modelo com um férmion singlete"), valida a intenção do usuário e gerencia etapas de confirmação para entradas ambíguas (ex: esclarecer se um campo é real ou complexo).
   • Chamada de Ferramentas (Tool Calling): O LLM aciona ferramentas específicas do backend (construção de modelo, geração de relatórios, extração de matriz de massa) através de uma interface estruturada de chamada de ferramentas.
   • Restrições: Crucialmente, o LLM nunca gera o Lagrangiano, os coeficientes de anomalia ou as matrizes de massa. Estes são computados inteiramente pelo backend simbólico para evitar alucinações e garantir a correção física.
   • Agnosticismo de Provedor: O framework suporta inferência local via Ollama, servidores remotos auto-hospedados e APIs comerciais (OpenAI, Anthropic).

Principais Contribuições

• Geração Automatizada de Operadores: O framework elimina a necessidade de enumeração manual de termos de interação. Dados apenas os números quânticos dos novos campos, ele constrói o Lagrangiano renormalizável completo.
• Arquitetura Híbrida: Estabelece um paradigma robusto onde um LLM lida com a compreensão de linguagem natural e gerenciamento de fluxo de trabalho, enquanto um motor simbólico determinístico (construído sobre SymPy) realiza todos os cálculos físicos.
• Pipeline de Análise Abrangente: O pacote automatiza todo o fluxo de trabalho, desde a especificação de campos até a geração de relatórios prontos para PDF contendo Lagrangianos expandidos, verificações de anomalia e matrizes de massa.
• Flexibilidade na Entrada: Usuários podem especificar modelos via linguagem natural, incluindo descrições complexas de números quânticos (ex: "anti-sexteto de cor, triplete fraco"), sem aderir a uma sintaxe rígida.

Resultos
O artigo demonstra as capacidades do framework através de vários estudos de caso:

• Validação do Modelo Padrão: Reproduz com sucesso o Lagrangiano do SM, o setor Yukawa e as matrizes de massa, confirmando a correção da expansão e da lógica de EWSB.
• Extensões Simples: Constrói modelos com neutrinos de mão direita e singletes escalares, verificando o status livre de anomalias e gerando termos de interação corretos.
• Modelo de Leptoquark Complexo: Um benchmark significativo envolve um modelo contendo cinco leptoquarks escalares distintos com várias representações de $SU(3)_c \times SU(2)_L \times U(1)_Y$. O pacote constrói um modelo com 14 termos cinéticos, 73 termos de potencial escalar e 14 termos Yukawa em menos de um minuto. O Lagrangiano expandido e as matrizes de massa derivadas mostram concordância com a literatura estabelecida (especificamente a Ref. [33]), validando o tratamento de contrações de calibre complexas e convenções de fase.
• Desempenho: Benchmarks indicam que, embora o tempo computacional escale com o tamanho da representação (ex: octetos de cor ou múltiplos de $SU(2)$ de alta dimensão), o framework permanece prático para modelos fenomenologicamente relevantes, completando a construção e expansão em segundos ou minutos.

Significância e Alegações
Os autores afirmam que o bsm_agent preenche um nicho distinto no ecossistema de software BSM ao automatizar o estágio de pré-implementação da construção de modelos. Diferente de ferramentas existentes (ex: SARAH, FeynRules) que exigem que o usuário defina manualmente a estrutura de interação ou o Lagrangiano, o bsm_agent parte do input mínimo dos números quânticos dos campos.

O artigo enfatiza que esta abordagem:

1. Reduz a Sobrecarga Técnica: Torna metodologias avançadas de construção de modelos acessíveis a estudantes e usuários pedagógicos sem sacrificar o rigor exigido pela pesquisa.
2. Garante a Reprodutibilidade: Ao separar estritamente o LLM (orquestração) do backend simbólico (computação), o framework garante que os resultados físicos sejam determinísticos e livres de alucinações de IA.
3. Acelera a Descoberta: Permite que pesquisadores prototipem e analisem rapidamente extensões complexas do Modelo Padrão que seriam tediosas de construir manualmente.

O trabalho posiciona-se não como um substituto para ferramentas simbólicas estabelecidas, mas como uma interface de linguagem natural que reduz a barreira de entrada para o uso dessas ferramentas, facilitando assim a exploração de uma variedade mais ampla de cenários BSM fenomenologicamente interessantes.