DarkAgents：多智能体系统赋能天体粒子物理研究

DarkAgents将大语言模型的推理能力与确定性人类代码有机结合，构建自动化研究流水线，首次应用于宇宙学一级相变研究，可输出最佳拟合参数、实验约束及假设审计报告，为天体粒子物理研究提供新范式。

天体粒子物理学研究宇宙最基本组成和相互作用，涵盖暗物质、暗能量、引力波、宇宙早期相变等前沿课题。该领域研究高度复杂：理论模型涉及大量自由参数，计算流程需多个专业软件串联，实验数据来自不同观测手段且需满足多种物理约束。传统研究模式依赖个人经验手工操作，易引入人为错误，且假设和先验选择记录不完整导致结果难复现与审计，跨学科合作中问题尤为突出。

DarkAgents是专为天体粒子物理设计的多智能体系统，核心创新为融合大语言模型（LLM）推理与确定性人类代码。系统采用模块化架构，支持Mistral、Anthropic、OpenAI API及本地模型等多种LLM后端。工作流程分三阶段：模型构建（智能体根据物理假设生成理论模型代码）、计算流水线（自动编排微分方程求解、数值积分、蒙特卡洛模拟等步骤）、约束验证（比对计算结果与现有实验数据识别参数允许区域）。LLM负责理解物理意图、生成代码框架、处理异常；核心计算由经过测试的人类代码执行，确保科学严谨性。

首个应用案例为宇宙学一级相变研究（与暗物质生成、重子不对称性起源、引力波产生密切相关）。研究从经典尺度不变粒子物理模型出发，拟合NANOGrav纳赫兹引力波能谱数据（NANOGrav为北美纳赫兹引力波观测站，通过脉冲星到达时间测量探测低频引力波）。输出包含：模型参数最佳拟合值、现有实验观测约束、假设与先验审计报告（详细记录分析过程假设及其对结果的影响）。测试揭示文献中某些拟合结果不一致，基于耗散体流引力波模板产生新拟合结果，项目代码开源于GitHub（https://github.com/PhysicsZandi/DarkAgents）。

测试运行揭示文献中部分拟合结果的不一致性（源于计算假设、数值方法或数据处理差异），DarkAgents自动化审计功能助力识别定位问题；基于耗散体流机制产生新拟合结果；开源代码为其他研究者复现结果、扩展功能、应用于新课题提供基础。

DarkAgents代表AI代理在基础科学应用的重要方向，针对特定领域需求深度定制，平衡自动化与可靠性。可推广至高能物理、宇宙学、核物理等面临类似挑战的领域。对天体粒子物理社区而言，是新研究范式，强调透明度、可复现性与系统化假设管理。随着LLM能力提升和领域知识积累，AI代理有望在更多基础科学领域发挥关键作用。