GPT‑5.2 obtiene un nuevo resultado en física teórica
En un nuevo preprint, GPT‑5.2 propuso una fórmula para una amplitud de gluones que más tarde fue demostrada por un modelo interno de OpenAI y verificada por los autores.
Hemos publicado un nuevo preprint que muestra que un tipo de interacción entre partículas que muchos físicos esperaban que no se produjera puede, de hecho, aparecer bajo condiciones específicas. El trabajo se centra en los gluones, las partículas que portan la fuerza nuclear fuerte. El preprint(se abre en una ventana nueva) está disponible en arXiv y se ha enviado para su publicación. Mientras tanto, agradecemos los comentarios de la comunidad.
El preprint, titulado «Single-minus gluon tree amplitudes are nonzero», está firmado por Alfredo Guevara (Institute for Advanced Study), Alex Lupsasca (Vanderbilt University y OpenAI), David Skinner (University of Cambridge), Andrew Strominger (Harvard University) y Kevin Weil (OpenAI) en nombre de OpenAI.
El preprint estudia un concepto central en física de partículas llamado amplitud de dispersión. Una amplitud de dispersión es la cantidad que los físicos usan para calcular la probabilidad de que las partículas interactúen de una forma concreta. En el caso de los gluones, las partículas que portan la fuerza nuclear fuerte, muchas amplitudes adoptan formas inesperadamente simples «a nivel de árbol» (es decir, cálculos que conservan solo los diagramas más sencillos sin bucles cuánticos). Estas simplificaciones han revelado repetidamente estructuras más profundas en la teoría cuántica de campos, el marco que proporciona una descripción de la física que unifica la relatividad especial con la mecánica cuántica.
Sin embargo, hay un caso que en general se ha considerado ausente (con amplitud cero). Cuando un gluón tiene helicidad negativa —es decir, una de las dos orientaciones posibles del espín que puede tener una partícula sin masa— y los gluones restantes tienen helicidad positiva, los argumentos estándar de los manuales sugieren que la amplitud de árbol correspondiente debe ser cero. Como resultado, esta configuración se ha dejado en gran medida de lado.
El preprint muestra que esta conclusión es demasiado fuerte. El argumento estándar asume momentos de partícula genéricos, es decir, que las direcciones y energías no están en una alineación especial. Identificamos una porción específica y precisamente definida del espacio de momentos en la que ese razonamiento deja de aplicarse, conocida como régimen semicolineal. Semicolineal aquí significa que los momentos de los gluones obedecen a una condición de alineación especial que no es típica, pero que está bien definida matemáticamente y es coherente. En esta porción, la amplitud no se anula y la calculamos en un régimen cinemático especial. Este resultado abre la puerta a muchas nuevas preguntas que serán objeto de investigaciones posteriores. Entre las extensiones importantes se incluye el cálculo de las amplitudes análogas para gravitones (las partículas que median la fuerza gravitatoria).
Un aspecto central del trabajo tiene que ver con la metodología. La fórmula final, la Ec. (39) del preprint, fue conjeturada por primera vez por GPT‑5.2 Pro. Los autores humanos calcularon a mano las amplitudes para valores enteros de hasta , obteniendo expresiones muy complicadas que se muestran en las Ecs. (29)--(32), que corresponden a una «expansión en diagramas de Feynman» cuya complejidad crece de forma superexponencial en n. GPT‑5.2 Pro fue capaz de reducir enormemente la complejidad de estas expresiones, proporcionando las formas mucho más simples de las Ecs. (35)--(38). A partir de estos casos base, pudo entonces detectar un patrón y proponer una fórmula válida para todo .
Una versión interna estructurada de GPT‑5.2 dedicó después unas 12 horas a razonar sobre el problema, llegando a la misma fórmula y produciendo una demostración formal de su validez. Posteriormente, se verificó analíticamente que la ecuación resuelve la relación de recurrencia de Berends-Giele, un método estándar paso a paso para construir amplitudes de árbol de múltiples partículas a partir de bloques de construcción más pequeños. También se comprobó frente al teorema soft, que restringe cómo se comportan las amplitudes cuando una partícula se vuelve soft.
Con la ayuda de GPT‑5.2, estas amplitudes ya se han extendido de gluones a gravitones, y también están en marcha otras generalizaciones. Estos resultados asistidos por IA, y muchos otros, se presentarán en otros lugares.
«La física de estos procesos de dispersión altamente degenerados es algo que me intriga desde que me encontré con ellos por primera vez, hace unos quince años, así que resulta emocionante ver las expresiones sorprendentemente simples que aparecen en este artículo.
Sucede con frecuencia en esta parte de la física que las expresiones de algunos observables físicos, calculadas mediante métodos de manual, parecen terriblemente complicadas, pero en realidad resultan ser muy simples. Esto es importante porque, a menudo, las fórmulas simples nos ponen en el camino hacia el descubrimiento y la comprensión de nuevas estructuras profundas, y abren nuevos mundos de ideas en los que, entre otras cosas, la simplicidad que estaba presente desde el principio se vuelve evidente.
Para mí, «encontrar una fórmula simple» siempre ha sido una tarea delicada y algo que desde hace tiempo sospecho que podría automatizarse con los ordenadores. Parece que en varios ámbitos empezamos a ver que esto ocurre; el ejemplo de este artículo parece especialmente adecuado para aprovechar el poder de las herramientas modernas de IA. Espero con interés ver cómo esta tendencia continúe hasta llegar a una herramienta de propósito «general para el reconocimiento de patrones de fórmulas simples», en un futuro cercano».
—Nima Arkani-Hamed, profesor de física en el Institute for Advanced Study, especializado en física teórica de altas energías
«Ya estoy pensando en las implicaciones de este preprint para algunos aspectos del programa de investigación de mi grupo. Se trata claramente de una investigación de nivel de revista científica que impulsa las fronteras de la física teórica. Su carácter novedoso inspirará futuros desarrollos y publicaciones. Este preprint ofrece un adelanto de lo que podría ser el futuro de la ciencia asistida por IA, con físicos trabajando mano a mano con la IA para generar y validar nuevas ideas. No cabe duda de que el diálogo entre físicos y los LLM puede generar conocimiento fundamentalmente nuevo. Al combinar GPT‑5.2 con especialistas humanos del área, el artículo propone un modelo para validar conocimiento generado por LLM y cumple con lo que esperamos de una investigación científica rigurosa».
—Nathaniel Craig, profesor de física en la University of California, Santa Barbara (UCSB), especializado en física de altas energías, fenomenología de partículas y cosmología
