GPT‑5.2 извежда нов резултат в теоретичната физика
В нова предпубликация GPT‑5.2 предложи формула за глуонна амплитуда, която по-късно беше доказана от вътрешен модел на OpenAI и потвърдена от авторите.
Публикувахме нова предпубликация, която показва, че вид взаимодействие на частици, което много физици очакваха да не се случи, всъщност може да възникне при специфични условия. Работата се фокусира върху глуоните, частиците, които пренасят силната ядрена сила. Предпубликацията е налична(отваря се в нов прозорец) в arXiv и е представена за публикуване. Междувременно приветстваме обратна връзка от общността.
Предпубликацията, озаглавена „Амплитудите на едно-минус глуонното дърво са различни от нула“, е написан от Алфредо Гевара (Институт за напреднали изследвания), Алекс Лупсака (Университет Вандербилт и OpenAI), Дейвид Скинър (Кеймбриджки университет), Андрю Строминджър (Харвардски университет) и Кевин Уейл (OpenAI) от името на OpenAI.
Предпубликацията изследва основна концепция във физиката на елементарните частици, наречена амплитуда на разсейване. Амплитудата на разсейване е величина, която физиците използват, за да изчислят вероятността частиците да взаимодействат по определен начин. За глуоните, частиците, които пренасят силното ядрено взаимодействие, много амплитуди приемат неочаквано прости форми „на ниво дърво“ (което означава изчисления, които включват само най-простите диаграми без квантови контури). Тези опростявания многократно разкриваха по-дълбока структура в квантовата теория на полето, която е рамката, предоставяща описание на физиката, обединяващо специалната теория на относителността с квантовата механика.
Един случай обаче обикновено се третира като отсъстващ (с нулева амплитуда). Когато един глуон има отрицателна хеличност (което означава една от двете възможни ориентации на спина, които може да има частица без маса), а останалите глуони имат положителна хеличност, стандартните аргументи в учебниците предполагат, че съответната амплитуда на ниво дърво трябва да е нула. В резултат на това тази конфигурация до голяма степен е оставена настрана.
Предпубликацията показва, че това заключение е твърде категорично. Стандартният аргумент предполага общи импулси на частици, което означава, че посоките и енергиите не са подредени по някакъв специален начин. Идентифицираме конкретен и прецизно дефиниран срез от пространството на импулса, в който това структурирано анализиране вече не се прилага, известен като полуколинеарния режим. Тук „полуколинеарен“ означава, че импулсите на глуоните отговарят на специално условие за подравняване, което не е типично, но е математически добре дефинирано и съгласувано. В този срез амплитудата не изчезва и я изчисляваме в специален кинематичен режим. Този резултат отваря вратата към множество нови въпроси, които ще бъдат обект на бъдещи изследвания. Важни разширения включват изчисляването на аналогичните амплитуди за гравитони (частиците, които предават гравитационната сила).
Основният аспект на работата е свързан с методологията. Окончателната формула, Eq. (39) в предпубликацията, беше за първи път предположена от GPT‑5.2 Pro. Авторите изчислиха амплитудите за цели числа до ръчно, като получиха много сложни изрази, показани в уравненията. (29)--(32), които съответстват на „разлагане по диаграми на Файнман“, чиято сложност нараства свръхекспоненциално с n. GPT‑5.2 Pro успя значително да намали сложността на тези изрази, като предостави много по-опростени форми в уравненията. (35)--(38). От тези базови случаи, след това беше в състояние да разпознае закономерност и да предложи формула, валидна за всички .
След това вътрешна версия на GPT‑5.2 прекара приблизително 12 часа в структурирано анализиране на проблема, стигайки до същата формула и изготвяйки формално доказателство за нейната валидност. Уравнението беше проверено аналитично, за да се реши рекурентното съотношение на Берендс-Гиеле, което е стандартен метод за изграждане на многочастични дървовидни амплитуди стъпка по стъпка от по-малки градивни блокове. Тя беше проверена и спрямо теоремата за меките частици, която определя как се държат амплитудите, когато частицата стане мека.
С помощта на GPT‑5.2 тези амплитуди вече са разширени от глуони до гравитони, а други обобщения също предстоят. Тези и много други резултати, получени с помощта на изкуствен интелект, ще бъдат описани на други места.
„Физиката на тези силно дегенерирани процеси на разсейване е нещо, което ме е интересувало, откакто за първи път се сблъсках с тях преди около петнадесет години, така че е вълнуващо да видя поразително простите изрази в тази статия.
Често в тази част на физиката се случва изразите за някои физически наблюдаеми величини, изчислени с помощта на методи от учебниците, да изглеждат ужасно сложни, но всъщност да са много прости. Това е важно, защото често простите формули ни отвеждат на пътешествие към разкриването и разбирането на дълбоки нови структури, отваряйки нови светове от идеи, където, наред с други неща, простотата, видяна в началната точка, става очевидна.
За мен „намирането на проста формула“ винаги е било трудна задача, а също и нещо, което отдавна смятам, че може да бъде автоматизирано от компютрите. Изглежда, че в множество области започваме да виждаме как това се случва. Примерът в тази статия изглежда особено подходящ за използване на мощта на съвременните инструменти за изкуствен интелект. Очаквам с нетърпение да видя как тази тенденция ще продължи към инструмент с общо предназначение за „опростено разпознаване на модели във формули“ в близко бъдеще.
Нима Аркани-Хамед, професор по физика в Института за напреднали изследвания, специализиращ в теоретичната физика на високите енергии
„Вече обмислям как тази предпубликация ще повлияе на различни аспекти от изследователската програма на моята група. Това очевидно е изследване на ниво списание, което напредва в границите на теоретичната физика, и неговата новост ще вдъхнови бъдещи разработки и последващи публикации. Тази предпубликация изглеждаше като поглед към бъдещето на науката, подпомагана от изкуствения интелект, където физиците работят съвместно с ИИ, за да създават и проверяват нови прозрения. Няма съмнение, че диалогът между физици и Големите езикови модели (LLM) може да генерира фундаментално нови знания. Чрез съчетаване на GPT‑5.2 с експерти в съответните области, статията предоставя шаблон за валидиране на прозрения, базирани на Големи езикови модели (LLM), и отговаря на очакванията ни за стриктно научно изследване.
— Нейтаниел Крейг, професор по физика в Калифорнийския университет, Санта Барбара (UCSB), специалист по физика на високите енергии, феноменология на частиците и космология
