PhysMaster: Agente AI per la Ricerca in Fisica Teorica

Un nuovo sistema di intelligenza artificiale chiamato PhysMaster mira ad automatizzare la ricerca in fisica teorica e computazionale. Sviluppato per affrontare i limiti degli agenti AI esistenti in compiti scientifici a lungo orizzonte, PhysMaster combina la ricerca adattiva basata su Monte Carlo Tree Search (MCTS) con memoria gerarchica. Il sistema è stato valutato su PRL-Bench, un benchmark creato da 100 articoli di Physical Review Letters, che distilla i flussi di lavoro di ricerca in compiti tracciabili. Si stima che ogni compito richieda oltre sei ore per essere riprodotto da uno studente di dottorato specializzato. La ricerca, annunciata su arXiv (ID 2512.19799), evidenzia le sfide dell'applicazione del ragionamento LLM alla fisica di frontiera, dove sono essenziali competenze di dominio profonde e calcoli numerici affidabili. L'articolo introduce PRL-Bench come strumento per valutare le capacità degli agenti AI nella ricerca scientifica, notando che gli agenti esistenti rimangono inaffidabili su flussi di lavoro estesi. Il design di PhysMaster mira a migliorare la robustezza e l'accumulo di conoscenza, potenzialmente accelerando la scoperta in fisica.