Por qué existe esta bitácora

Inicio de un registro honesto y reproducible de dónde los LLMs ayudan — y dónde no — en investigación BSM/fenomenología.

Versión en inglés disponible. Esta entrada también está disponible en inglés.

Por qué inicio esta bitácora

Uso modelos de lenguaje en mi investigación cotidiana, y me he cansado de dos narrativas igualmente inútiles: la que dice que los LLMs están a punto de hacer física por nosotros, y la que los trata como loros estocásticos inútiles para cualquier cosa seria. Ninguna corresponde con lo que realmente experimento en el escritorio.

Lo que experimento es más interesante y más mundano: una herramienta genuinamente útil para ciertas subtareas, poco fiable para otras, y ocasionalmente equivocada con seguridad de formas que cuestan tiempo real. La única manera de saber cuál es cuál es llevar un registro. Así que esto es ese registro — una libreta de laboratorio para un tipo particular de instrumento.

El público que tengo en mente son otros investigadores, particularmente en física teórica y de partículas. Si trabajas en fenomenología BSM — sectores escalar o de gauge extendidos, mecanismos de masa de neutrinos, materia oscura, sabor, signaturas en colisionadores — espero que algunas de estas notas te ahorren el trabajo de redescubrir los mismos modos de fallo que yo.

Dónde ayudan los LLMs actualmente (y dónde no)

Esta es una instantánea de mi opinión actual y revisable. Parte del punto de la bitácora es hacer estos reclamos responsables con el tiempo.

Dónde me ayudan hoy:

• Código boilerplate y de pegamento. Parsear salida SLHA, cablear barridos, reorganizar datos para gráficas, andamiaje de matplotlib/pandas. Rápido de escribir, rápido de verificar.
• Traducir entre herramientas y formalismos. Bosquejar un fragmento de modelo en FeynRules o SARAH, convertir un término del Lagrangiano en un vértice aproximado, mover un fragmento entre Mathematica y Python.
• Triaje y orientación en la literatura. Obtener un primer mapa de un rincón desconocido de la literatura, o reformular un resultado recordado a medias en términos buscables — siempre como un apuntador, nunca como una cita.
• Rubber-ducking de derivaciones. Recorrer verbalmente una contracción de índices, una reducción de integral de lazo o un argumento de simetría, donde sigo siendo yo quien revisa cada línea.

Dónde (aún) no ayudan:

• Cualquier cosa que requiera una derivación garantidamente correcta. Signos, factores de 2, convenciones de \(\gamma^5\) y sutilezas de \(\overline{\text{MS}}\) son justamente donde la salida que suena fluida es más peligrosa.
• Valores numéricos y citas. Razones de ramificación o listas de referencias fabricadas con seguridad siguen siendo un riesgo real.
• Construcción de modelos genuinamente novedosa. Recombinan lo conocido bien; no producen de forma fiable la restricción en la que no había pensado.

Un ejemplo concreto de la trampa: un LLM producirá felizmente una contribución a un lazo que parece correcta — estructura correcta, prefactor plausible — y estará mal por un signo o un \(1/(4\pi)^2\). La expresión se compone bonitamente:

\[ \Delta a_\mu \;\sim\; \frac{m_\mu^2}{16\pi^2 M^2}\, \sum_i c_i\, F(x_i), \]

y la única defensa es derivarla uno mismo y tratar la versión del modelo como una hipótesis a verificar, no como una respuesta.

Qué esperar aquí

• Tareas reales, no demos de juguete. Cada entrada es algo que realmente necesitaba hacer.
• El flujo de trabajo completo, incluyendo los prompts y los callejones sin salida — no una selección de momentos estelares limpiada.
• Reportes honestos de fracasos. Cuando un modelo pierde una hora, eso también es una entrada; a menudo son las más útiles.
• Estimaciones de tiempo ahorrado, declaradas tan honestamente como pueda, con la salvedad de que el tiempo de verificación es parte del balance.
• Notas de reproducibilidad. Donde puedo, cada entrada enlaza a código o un cuaderno para que puedas ejecutarlo tú mismo. Donde no puedo, diré por qué.
• Sin exageraciones. Si un LLM no ayudó, la entrada lo dirá claramente.

Una nota sobre resultados no publicados

Parte de este trabajo toca proyectos en curso. Los detalles ligados a resultados no publicados — modelos específicos, puntos de parámetro, hallazgos numéricos — se reservarán hasta que el preprint correspondiente sea público. En esos casos documentaré el método y flujo de trabajo (que es la parte transferible) reteniendo el resultado en sí, y actualizaré la entrada con un enlace una vez que el preprint salga. El material de reproducibilidad solo apuntará a cosas que esté en libertad de compartir.

Esa es la carta de intención. La siguiente entrada será una tarea real.

Nota de reproducibilidad. Esta entrada inaugural es una declaración de intenciones y no tiene código asociado. Las entradas futuras enlazarán a un repositorio o cuaderno aquí.