論文の概要: LLMs Can Tackle High Energy Theoretical Physics, yet Gaps Remain: Part I, Quantum Field Theory

• arxiv url: http://arxiv.org/abs/2610.33134v1
• Date: Fri, 23 Oct 2026 14:07:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.256506
• Title: LLMs Can Tackle High Energy Theoretical Physics, yet Gaps Remain: Part I, Quantum Field Theory
• Title（参考訳）: LLMは高エネルギー理論物理学に挑戦できるが、ギャップは残る: Part I, Quantum Field Theory
• Abstract要約: QFT-Benchは75の卒業生のベンチマークで、広範囲な推論と導出を必要とする研究レベルの問題に導入する。 39のプロプライエタリモデルとオープンソースモデルを含むフロンティアモデルは、非自明なQFT計算において、すでにかなりの能力を発揮している。 強いモデルでさえ計算、慣習、命令の後に誤りを犯すが、弱いモデルは物理概念や導出のレベルで失敗することが多い。
• 参考スコア（独自算出の注目度）: 34.482398762985504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Beyond math and code, Large language models (LLMs) are beginning to tackle problems that have traditionally required substantial training for theoretical physicists, but it remains unclear how far this capability extends and where it might break. As a first step toward pushing LLMs in high-energy theoretical physics, we introduce QFT-Bench, a benchmark of 75 graduate- to research-level problems requiring extensive reasoning and derivation across core Quantum Field Theory (QFT) subareas. Each question has a well-defined target and closed-form reference answer. Evaluation combines symbolic verification with LLM-based judge. Across 39 proprietary and open-source models, frontier models already demonstrate substantial capabilities on nontrivial QFT calculations, with the strongest models exceeding 95% accuracy. At the same time, clear gaps remain. Even strong models still make errors in calculations, conventions, and instruction following, while weaker models often fail at the level of physical concepts or derivations. We further monitor models' CoTs and show that current models exhibit nontrivial reasoning unfaithfulness, i.e., they could reach correct answers but the reasoning itself does not justify and logically support them. These results provide a quantitative assessment of current LLM capabilities in QFT and a first step toward broader evaluation in high-energy theoretical physics.
• Abstract（参考訳）: 数学やコード以外にも、Large Language Model (LLMs) は理論物理学者の実質的な訓練を必要とする問題に対処し始めているが、この能力がどこまで拡張され、どこで破壊されるかは不明だ。 高エネルギー理論物理学においてLLMを推し進める第一歩として、コア量子場理論(QFT)のサブ領域をまたいだ広範な推論と導出を必要とする研究レベルの問題に対して、75の卒業生のベンチマークであるQFT-Benchを紹介する。 各質問には、明確に定義されたターゲットとクローズドフォームの参照応答がある。 評価は記号的検証とLLMに基づく判断を併用する。 39のプロプライエタリモデルとオープンソースモデル全体で、フロンティアモデルは、非自明なQFT計算において、95%以上の精度で、すでに相当な能力を発揮している。 同時に、明確なギャップも残っている。 強いモデルでさえ計算、慣習、命令の後に誤りを犯すが、弱いモデルは物理概念や導出のレベルで失敗することが多い。 さらに、モデルのCoTを監視し、現在のモデルが非自明な推論不信感を示すことを示す。 これらの結果は、QFTにおける現在のLLM能力の定量的評価と、高エネルギー理論物理学におけるより広範な評価に向けた第一歩となる。

関連論文リスト

• Fine-Tuning Small Reasoning Models for Quantum Field Theory [12.573129157671831]
  我々は、理論物理学に特化した小さな推論モデルについて、初めて学術的な微調整研究を行う。 我々は、arXivと標準教育資源から得られたヒト適応問題の収集と合わせて2500以上の合成問題を発生させた。 本研究では,RLおよびSFTにおける推論誤差の進展を解明するために,モデルチェーンの微調整前後におけるモデルチェーンの広範な解析を行う。
  論文  参考訳（メタデータ） (2026-04-21T00:21:05Z)
• Can Theoretical Physics Research Benefit from Language Agents? [50.57057488167844]
  大規模言語モデル(LLM)は、様々な領域にわたって急速に進歩しているが、理論物理学研究への応用はまだ成熟していない。 このポジションペーパーは、LLMエージェントが、ドメイン知識やツールボックスと適切に統合された場合、理論的、計算的、応用物理学を加速するのに役立つと主張している。 マルチモーダルデータを処理し、検証可能な仮説を提案し、設計実験を行う物理特殊化LSMを構想する。
  論文  参考訳（メタデータ） (2025-06-06T16:20:06Z)
• Unleashing the Reasoning Potential of Pre-trained LLMs by Critique Fine-Tuning on One Problem [53.3188041952701]
  一つの問題に対する批判的微調整(CFT)は,LLMの推論能力を効果的に解き放つことができることを示す。 わずか5回のGPUトレーニングで、Qwen-Math-7B-CFTは6つのベンチマークで平均15%改善、3つのロジック推論ベンチマークで平均16%改善した。 結果は20倍の計算量で、RLの結果に匹敵するか、さらに上回っている。
  論文  参考訳（メタデータ） (2025-06-03T18:35:52Z)
• Hyperscaling of Fidelity and Operator Estimations in the Critical Manifold [0.0]
  本研究では, 減速運動量モードで支持される観測値の基底状態予測値を, QFTが流れる固定点理論に基づく平均値で近似できることを示す。 以上の結果から,予測値の計算において,QFTをスケール不変の制限で置き換えることが可能なケースの明確化が可能となった。
  論文  参考訳（メタデータ） (2025-05-21T14:20:54Z)
• Computable Model-Independent Bounds for Adversarial Quantum Machine Learning [4.857505043608425]
  本稿では、量子ベースの逆数攻撃に対するモデルレジリエンスを評価する際に、逆数誤差の近似的下界について紹介する。 最良の場合、実験誤差は推定境界より10%だけ高く、量子モデルの本質的なロバスト性を示す。
  論文  参考訳（メタデータ） (2024-11-11T10:56:31Z)
• Quantum Field Theory and the Limits of Reductionism [0.0]
  再正規化群の流れは固定点を除いて可逆であると主張する。 非還元主義の形式が実装される可能性のある、いくつかの特定のモデルを検討します。
  論文  参考訳（メタデータ） (2024-07-29T23:30:47Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Theory of Quantum Generative Learning Models with Maximum Mean Discrepancy [67.02951777522547]
  量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。 まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。 次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
  論文  参考訳（メタデータ） (2022-05-10T08:05:59Z)

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。