新しい論文は、核物質と中性子星の性質を一つの自動化されたワークフローで扱うAIエージェント「NNStar」を紹介します。NNStarは、研究者が与えた物理モデルの数式（ラグランジアン）を読み取り、モデルの方程式を解き、最終的に中性子星の質量・半径などの観測量までを出力します。人間の細かな手作業をほとんど必要とせずに、モデルの調整と観測との比較を行う点が特徴です。

NNStarは「スキル」として設計され、外部の大規模言語モデル（LLM）を動かすプラットフォームに読み込めます。内部には記号的な操作と数値計算の両方を行うエンジンがあり、具体的には(i) ラグランジアンから相対論的平均場モデル（RMF）を組み立て、(ii) 平均場の運動方程式を解いて飽和特性を評価し、(iii) β平衡（中性子星内部での電気的・弱い相互作用の平衡）に基づく方程式状態（圧力とエネルギー密度の関係）を作り、クラスト（星の外層）とつなげ、(iv) トルマン–オッペンハイマー–ヴォルコフ（TOV）方程式を積分して星の質量–半径曲線を得ます。さらにベイズ的（Bayesian）な手法で核実験データや天文観測と突き合わせてスコアを付けます。

論文で採用している基盤モデルは「一般量子ハドロダイナミクス（GQHD）」と呼ばれるもので、核子とσ, ω, ρ, a0 など1 GeV以下の中間子を含むラグランジアンを扱います。この選択により、従来のウォーレッカ型モデル（TM1, NL3, FSU など）を包含できる汎用性が得られます。モデルは最大で21次元の結合定数空間を持ち、パラメータ調整は感度が高く繊細です。注記として、平均場近似ではパイ中間子は消えるため含めていません。

なぜ重要かというと、密な核物質の方程式状態（EoS）を決めるには、核実験の低密度側から中性子星の高密度側まで、非常に広いスケールのデータを同時に扱い、複雑なパラメータ空間を探索する必要があるからです。NNStarはその面倒で時間のかかる作業を自動化します。さらにスキルとして配布されるため、異なるLLMやツールと組み合わせて使える点、そして物理計算部分が決定的で検証可能なツールとして分離されている点が信頼性の向上につながります。論文では既存モデルの再現（Walecka型モデルの検証）、TM1への拡張と再最適化、複数のLLMによるベンチマークといった応用例を示しています。

重要な注意点もあります。まず、エージェントの信頼性は「グラウンディング」、つまり自由形式の推論を決定的で検証可能なツール呼び出しに置き換える設計に依存します。自律エージェント研究で報告される失敗例には、学習済みの偏りに引きずられること、実装が時間とともにずれること、検証が弱いことなどがあります。加えて、NNStar自体は与えられたラグランジアンに基づいて計算する「前向きのパイプライン」を自動化するものであり、基になる物理モデルの選択や切り捨て（トランケーション）が結果に影響します。論文は自動化の仕組みと検証例を示しますが、新物理の発見や決定的な結論を自動で出すことを主張するものではなく、結果の解釈や最終的な判断には専門家の検討が引き続き必要です。