論文の概要: From Experimental Limits to Physical Insight: A Retrieval-Augmented Multi-Agent Framework for Interpreting Searches Beyond the Standard Model
- arxiv url: http://arxiv.org/abs/2605.02491v1
- Date: Mon, 04 May 2026 11:42:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:50.264689
- Title: From Experimental Limits to Physical Insight: A Retrieval-Augmented Multi-Agent Framework for Interpreting Searches Beyond the Standard Model
- Title（参考訳）: 実験限界から物理洞察へ:標準モデルを超えて探索を解釈するための検索拡張型マルチエージェントフレームワーク
- Authors: Altan Cakir, Ayca Yerlikaya,
- Abstract要約: HEP-CoPilotは高エネルギー物理文献の探索と解釈のための多エージェントAIフレームワークである。
システムは、出版物からのテキスト情報、HEPDataからの構造化実験データ、マルチモーダル検索および推論アーキテクチャ内の再構成物理プロットを統一する。
- 参考スコア（独自算出の注目度）: 0.3867363075280543
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern searches for physics beyond the Standard Model produce rapidly expanding literature containing heterogeneous information, including textual analyses, numerical datasets, and graphical exclusion limits. Integrating these distributed sources remains a time-consuming and manual process for physicists. We present HEP-CoPilot, a retrieval-augmented multi-agent AI framework for the exploration and interpretation of high-energy physics literature. The system unifies textual information from publications, structured experimental data from HEPData, and reconstructed physics plots within a multimodal retrieval and reasoning architecture. By combining retrieval-augmented language models with coordinated agent workflows, it enables evidence-grounded reasoning over experimental analyses and structured interpretation of collider results. We evaluate the framework on recent CMS searches for physics beyond the Standard Model. Case studies show that HEP-CoPilot can retrieve relevant measurements, reconstruct exclusion limits directly from HEPData records, and perform cross-paper comparisons of experimental constraints. This enables consistent, physics-aware comparison across analyses without manual data integration. These results demonstrate that retrieval-augmented AI systems can function as scientific co-pilots for particle physics, facilitating navigation of complex literature, structuring heterogeneous evidence, and accelerating the interpretation pipeline for new physics searches.
- Abstract（参考訳）: 標準モデルを超えた物理の近代的な探索は、テキスト分析、数値データセット、グラフィカルな除外制限を含む異種情報を含む急速に拡大する文献を生成する。
これらの分散ソースを統合することは、物理学者にとって依然として時間と手作業のプロセスである。
HEP-CoPilotは高エネルギー物理文献の探索と解釈のための多エージェントAIフレームワークである。
本システムは,出版物からのテキスト情報,HEPDataからの構造化実験データ,マルチモーダル検索・推論アーキテクチャ内の再構成物理プロットを統一する。
検索強化言語モデルと協調エージェントワークフローを組み合わせることで、実験解析とコライダー結果の構造的解釈よりもエビデンス基底推論が可能となる。
我々は,最近のCMSによる物理探索の枠組みを標準モデルを超えて評価する。
ケーススタディでは,HEP-CoPilotは関連する測定値を取得し,HEPDataレコードから直接排他限界を再構築し,実験制約のクロスペーパー比較を行う。
これにより、手作業によるデータ統合なしに、分析間で一貫した物理学的な比較が可能になる。
これらの結果は、検索強化されたAIシステムが、粒子物理学の科学的コパイロットとして機能し、複雑な文献のナビゲーションを容易にし、異質な証拠を構造化し、新しい物理探索のための解釈パイプラインを加速できることを実証している。
関連論文リスト
- A Systematic Survey and Benchmark of Deep Learning for Molecular Property Prediction in the Foundation Model Era [57.5440098776759]
分子特性予測は、量子化学、化学情報学、深層学習を統合し、分子構造と生物学的挙動を結びつける。
この調査は、Quantum、Descriptor Machine Learning、Geometric Deep Learning、Foundation Modelsの4つの補完パラダイムをトレースする。
ベンチマーク分析は、広く使われているデータセットと業界的な視点を反映したデータセットの両方からエビデンスを統合する。
論文 参考訳（メタデータ） (2026-04-17T15:16:33Z) - A Multi-Agent Human-LLM Collaborative Framework for Closed-Loop Scientific Literature Summarization [14.654160505140426]
我々は,AI,大規模言語モデル,人間科学者を統合したマルチエージェント・ヒューマン・イン・ザ・ループシステムであるElhuyarを紹介した。
このフレームワークは、論文のフィルタリング、データ抽出、フィッティングモデル、および要約結果のための特別エージェントにタスクを分散し、人間の監視が信頼性を確保する。
抽出されたデータ、視覚化、モデル方程式、テキスト要約を含む構造化されたレポートを生成し、反復的な精査を通じてより深い調査を可能にする。
論文 参考訳（メタデータ） (2026-04-01T22:58:42Z) - AI Agents Can Already Autonomously Perform Experimental High Energy Physics [0.0431528684314271]
大規模言語モデルベースのAIエージェントは、専門家による最小限の入力で、高エネルギー物理分析パイプラインの一部を自律的に実行できるようになった。
本稿では,自律分析エージェントと文献に基づく知識検索とマルチエージェントレビューを統合した概念実証フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-20T17:55:27Z) - MITRA: An AI Assistant for Knowledge Retrieval in Physics Collaborations [0.0]
大規模な科学的コラボレーションは、膨大な内部文書のコーパスを生み出している。
我々は、物理解析に関する特定の文脈対応の質問に答えるように設計された、レトリーバル拡張生成(RAG)ベースのシステムであるMITRAのプロトタイプを提案する。
MITRAは、内部データベースからの文書検索にSeleniumを使用した新しい自動パイプラインと、高忠実なテキスト抽出のためのレイアウト解析を備えたOCRを採用している。
論文 参考訳（メタデータ） (2026-03-10T15:28:35Z) - Retrieval Augmented Generation of Literature-derived Polymer Knowledge: The Example of a Biodegradable Polymer Expert System [4.222675210976564]
高分子文学は、大きくて成長する実験的な知識を含んでいる。
その多くは、構造化されていないテキストと一貫性のない用語に埋もれている。
既存のツールは通常、狭く、研究固有の事実を分離して抽出する。
論文 参考訳（メタデータ） (2026-02-18T17:46:09Z) - Intelligent Scientific Literature Explorer using Machine Learning (ISLE) [0.797970449705065]
本稿では,大規模データ取得,ハイブリッド検索,セマンティックトピックモデリング,異種知識グラフ構築を組み合わせた科学文献探索システムを提案する。
提案するフレームワークは,AIによる科学的発見の基盤となる。
論文 参考訳（メタデータ） (2025-12-14T16:54:24Z) - Causal Discovery from Data Assisted by Large Language Models [50.193740129296245]
知識駆動発見のために、実験データと事前のドメイン知識を統合することが不可欠である。
本稿では、高分解能走査透過電子顕微鏡(STEM)データと大規模言語モデル(LLM)からの洞察を組み合わせることで、このアプローチを実証する。
SmドープBiFeO3(SmBFO)におけるChatGPTをドメイン固有文献に微調整することにより、構造的、化学的、分極的自由度の間の因果関係をマッピングするDAG(Directed Acyclic Graphs)の隣接行列を構築する。
論文 参考訳（メタデータ） (2025-03-18T02:14:49Z) - Retrieval-Enhanced Machine Learning: Synthesis and Opportunities [60.34182805429511]
検索エンハンスメントは機械学習(ML)の幅広い範囲に拡張できる
この研究は、MLの様々な領域の文献を、現在の文献から欠落している一貫した表記で合成することで、このパラダイムの正式なフレームワークであるRetrieval-Enhanced Machine Learning (REML)を導入する。
本研究の目的は、様々な分野の研究者に対して、検索強化モデルの包括的、正式に構造化された枠組みを付与し、学際的な将来の研究を促進することである。
論文 参考訳（メタデータ） (2024-07-17T20:01:21Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。