論文の概要: Searching for BSM Experimental Signatures with Large Lagrangian Models

• arxiv url: http://arxiv.org/abs/2609.38309v1
• Date: Tue, 29 Sep 2026 18:00:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.535049
• Title: Searching for BSM Experimental Signatures with Large Lagrangian Models
• Title（参考訳）: 大型ラグランジアンモデルを用いたBSM実験信号の探索
• Abstract要約: hAIthemは文献の外でモデルシグネチャを探索するためのフレームワークである。 我々は、ある理論の高次元パラメータ空間のどの部分が制約のサブセットで除外されないのかを学習するRLエージェントを構築する。 フレームワークは次に、確立されたツールで計算された可観測性を使用してRL境界領域を分離する決定ツリーを構築し、残りの領域を現実的なシグネチャを生成するために競合するLLMエージェントのセットに渡す。
• 参考スコア（独自算出の注目度）: 0.8743979992009439
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The search for physics Beyond the Standard Model (BSM) is generally limited not by the supply of theory descriptions but by the lack of discriminating experimental observations. A case in point is dark matter, where the overwhelming gravitational evidence only goes so far in distinguishing between models within a vast theory space. Exploring the space of testable model signatures may help identify overlooked experimental observables and indicate the utility of future experiments. A challenge is designing a search through model signatures outside what is found in the literature. Our primary contribution is hAIthem, a framework that combines the self-guided exploration of reinforcement learning (RL) with the broad literature-derived knowledge of LLMs. We build an RL agent that learns to find which portions of a theory's high-dimensional parameter space are not excluded under some subset of constraints by playing a Battleship-style "game" against a suite of phenomenology tools. The agent is built as a Large Lagrangian Model (LLaM), an autoregressive transformer that reads a tokenized Lagrangian, is pretrained at scale (here on ~1 billion tokens from ~10,000 Lagrangians), and is fine-tuned in a live environment. The framework then constructs a decision tree that separates RL-found regions using observables computed with established tools, and passes the remaining degenerate regions to a set of LLM agents that compete to produce realistic signatures. In this proof of concept, RL-search outperforms an evolutionary-algorithm baseline, finding more viable regions with greater physical diversity. In a restricted space of single dark scalar multiplet models, we find that hAIthem proposes interesting combinations of previously studied observables, such as the application of a halo-independent kinematic ratio to paleo-detectors.
• Abstract（参考訳）: 標準模型(BSM)を超えた物理の探索は、理論記述の供給だけでなく、実験的な観察の区別の欠如によって制限される。 暗黒物質の場合、圧倒的な重力的証拠は、広大な理論空間内のモデル間でしか区別できない。 テスト可能なモデルシグネチャの空間を探索することは、見過ごされた実験可観測物を特定し、将来の実験の有用性を示すのに役立つかもしれない。 課題は、文献に見られるものの外でモデルシグネチャを通して検索を設計することである。 我々の主な貢献は、自己指導型強化学習(RL)とLLMの幅広い文献に基づく知識を組み合わせたフレームワークであるhAIthemである。 我々は,ある理論の高次元パラメータ空間のどの部分が,ある制約のサブセットで除外されないかを学習するRLエージェントを構築した。 エージェントはLarge Lagrangian Model (LLaM) として構築され、トークン化されたラグランジアンを読み、スケールで事前訓練される(約10,000人のラグランジアンからのトークンは10億個)。 フレームワークは、確立されたツールで計算された可観測性を使用してRL境界領域を分離する決定ツリーを構築し、残りの退化領域を現実的なシグネチャを生成するために競合するLLMエージェントのセットに渡す。 この概念の証明において、RL-searchは進化的アルゴリズムのベースラインを上回り、より大きな物理的多様性を持つより生存可能な領域を見つける。 単一ダークスカラー多重モデルの制限された空間において、hAIthem は以前に研究された可観測物の興味深い組み合わせを提案している。

関連論文リスト

• Who Built This Model? Tracing LLM Lineage via Spectral Fingerprints in Weight Space [9.829283524934848]
  オープンウェイトな大規模言語モデル (LLM) は複雑で多段階のパイプラインによって開発が進んでいる。 LLMは、入力データにアクセスすることなく、重量空間のみに固有の指紋を呈し、その起源や系統を明らかにするかどうかを問う。 我々は、これを系統識別問題として定式化し、独立オリジン、同シリーズ、共有ベースモデルと区別する。
  論文  参考訳（メタデータ） (2026-08-07T22:18:02Z)
• AnE: Pushing the Reasoning Frontier of Multimodal LLMs via Anchor Evolution [61.593935260052795]
  Supervised Fine-Tuning (SFT) とReinforcement Learning (RL) による後学習は多モーダル大規模言語モデル(MLLM)における推論の強化に不可欠である 既存のパラダイムは、静的データの制限により、しばしばパフォーマンスのボトルネックに達する。 我々は,真理に順応したデータキュレーションとモデル進化を統合する新しいパラダイムであるアンカー進化(AnE)を提案する。
  論文  参考訳（メタデータ） (2026-05-25T08:26:34Z)
• What Linear Probes Miss: Multi-View Probing for Weight-Space Learning [8.474818775416637]
  MVProbeは、インタラクションを意識したビューで一階のシグナルを合成する、多視点のプロファイリングフレームワークである。 Model Jungleベンチマークでは、MVProbeが最先端のProbeXを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-22T09:18:01Z)
• SPS: Steering Probability Squeezing for Better Exploration in Reinforcement Learning for Large Language Models [51.99912169291891]
  強化学習(Reinforcement Learning, RL)は、推論指向モデルをトレーニングするための有望なパラダイムとして登場した。 逆強化学習(IRL)で従来のRLをインターリーブする学習パラダイムを提案する。 この結果から,RLとIRLの交互接続は,推論指向の大規模言語モデルの探索能力向上に有効な経路であることが示唆された。
  論文  参考訳（メタデータ） (2026-04-18T13:49:47Z)
• HOLOGRAPH: Active Causal Discovery via Sheaf-Theoretic Alignment of Large Language Model Priors [12.969042037563971]
  HOLOGRAPHは、大規模言語モデルに基づく因果発見を形式化するフレームワークである。 我々の重要な洞察は、コヒーレントなグローバル因果構造は、グローバルセクションの存在に対応することである。 合成および実世界のベンチマークの実験は、HOLOGRAPHが厳密な数学的基礎を提供することを示した。
  論文  参考訳（メタデータ） (2025-12-30T21:47:05Z)
• Reinforcement Learning for Latent-Space Thinking in LLMs [2.3431309298961644]
  Chain-of-Thought (CoT) 推論は一般的に、個別の言語空間を思考に利用する。 潜在空間思考により、モデルは連続的な埋め込み空間を使って考えることができる。
  論文  参考訳（メタデータ） (2025-11-26T21:43:24Z)
• Multimodal Spatial Reasoning in the Large Model Era: A Survey and Benchmarks [108.15756345836901]
  大規模モデルを用いたマルチモーダル空間推論タスクの包括的レビューを行う。 我々は、視覚言語ナビゲーションやアクションモデルを含む、具体的AIの進歩についてレビューする。 我々は,新しいセンサによる空間的理解に寄与する音声やエゴセントリックビデオなどの新たなモダリティを考察する。
  論文  参考訳（メタデータ） (2025-10-29T17:55:43Z)
• Reasoning with Sampling: Your Base Model is Smarter Than You Think [52.639108524651846]
  本稿では,基本モデル自身の可能性を利用した単純な反復サンプリングアルゴリズムを提案する。 我々のアルゴリズムは、ほぼ一致し、RLのアルゴリズムよりも優れているという推論において、大幅に向上することを示した。 我々の方法は、トレーニング、キュレートされたデータセット、検証器を必要としない。
  論文  参考訳（メタデータ） (2025-10-16T17:18:11Z)
• ProRL: Prolonged Reinforcement Learning Expands Reasoning Boundaries in Large Language Models [89.37819814048288]
  本稿では,KL分散制御,参照ポリシ,多様なタスクスイートを取り入れた新しいトレーニング手法であるProRLを紹介する。 我々の経験的分析により、RL学習モデルは、広範囲のpass@k評価において、ベースリセットモデルよりも一貫して優れていたことが明らかとなった。 これらの知見は、RLが言語モデルにおける推論境界を有意に拡張する条件について、新たな洞察を与える。
  論文  参考訳（メタデータ） (2025-05-30T17:59:01Z)

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。