面向AI辅助中子味型理论设计

粒子物理理论，如解释中子味型混合的理论，源自广泛的模型构建可能性。模型的构建通常依赖于理论家的直觉，并且需要相当大的 effort 来识别合适的对称群、分配场表示，并提取与实验数据进行比较的预测。我们开发了一个自主模型构建器(AMBer)，该框架中强化学习智能体与简化的物理软件管道交互，以有效地搜索这些空间。AMBer选择对称群、粒子内容和群表示分配，以在保持可行性的同时最小化引入的自由参数数量。我们在已知的理论空间中对该方法进行了验证，并将探索扩展到一个新近前未考察的对称群。虽然在中子味型理论的背景下演示了该方法，但强化学习与物理软件反馈的方法在未来可能被扩展到其他理论模型构建问题。