GPT‑5.2 dérive un nouveau résultat en physique théorique
Dans une nouvelle prépublication, GPT‑5.2 a proposé une formule pour une amplitude de gluon, ensuite démontrée par un modèle interne d’OpenAI et vérifiée par les auteurs.
Nous avons publié une nouvelle prépublication montrant qu’un type d’interaction entre particules, que de nombreux physiciens pensaient impossible, peut en réalité se produire dans certaines conditions. Le travail porte sur les gluons, les particules qui véhiculent la force nucléaire forte. La prépublication(s'ouvre dans une nouvelle fenêtre) est disponible sur arXiv et est en cours de soumission pour publication. Entre-temps, nous accueillons avec intérêt les commentaires de la communauté.
La prépublication, intitulée « Single-minus gluon tree amplitudes are nonzero », est signée par Alfredo Guevara (Institute for Advanced Study), Alex Lupsasca (Vanderbilt University et OpenAI), David Skinner (University of Cambridge), Andrew Strominger (Harvard University) et Kevin Weil (OpenAI) au nom d’OpenAI.
La prépublication étudie un concept central de la physique des particules appelé amplitude de diffusion. Une amplitude de diffusion est la quantité que les physiciens utilisent pour calculer la probabilité que des particules interagissent d’une certaine manière. Pour les gluons, les particules qui véhiculent la force nucléaire forte, de nombreuses amplitudes prennent des formes étonnamment simples « au niveau arbre » (c’est-à-dire dans des calculs qui ne conservent que les diagrammes les plus simples, sans boucles quantiques). Ces simplifications ont à plusieurs reprises révélé des structures plus profondes de la théorie quantique des champs, le cadre théorique qui décrit la physique en unifiant la relativité restreinte et la mécanique quantique.
Un cas, toutefois, a généralement été considéré comme absent (c’est-à-dire d’amplitude nulle). Lorsque un gluon possède une hélicité négative (c’est-à-dire l’une des deux orientations possibles du spin pour une particule sans masse) et que les n−1n−1 autres gluons ont une hélicité positive, les arguments classiques des manuels indiquent que l’amplitude correspondante au niveau arbre doit être nulle. Par conséquent, cette configuration a été largement mise de côté.
La prépublication montre que cette conclusion est trop forte. L’argument standard suppose des moments de particules génériques, c’est-à-dire que les directions et les énergies ne présentent aucun alignement particulier. Nous identifions une tranche précise et bien définie de l’espace des moments où ce raisonnement ne s’applique plus, appelée régime demi-colinéaire. Ici, demi-colinéaire signifie que les moments des gluons obéissent à une condition d’alignement particulière qui n’est pas typique, mais qui est mathématiquement bien définie et cohérente. Sur cette tranche, l’amplitude ne s’annule pas, et nous la calculons dans un régime cinématique particulier. Ce résultat ouvre la voie à de nombreuses nouvelles questions qui feront l’objet de travaux ultérieurs. Parmi les extensions importantes figure le calcul des amplitudes analogues pour les gravitons (les particules qui médiatisent la force gravitationnelle).
Un aspect central de ce travail concerne la méthodologie. La formule finale, l’équation (39) de la prépublication, a d’abord été conjecturée par GPT‑5.2 Pro. Les auteurs humains ont calculé les amplitudes à la main pour des valeurs entières de nn jusqu’à n=6n=6, obtenant des expressions très complexes présentées dans les équations (29)–(32), qui correspondent à une « expansion en diagrammes de Feynman » dont la complexité croît de manière superexponentielle avec nn. GPT‑5.2 Pro a pu réduire considérablement la complexité de ces expressions, en fournissant les formes beaucoup plus simples données dans les équations (35)–(38). À partir de ces cas de base, il a ensuite pu repérer un motif et proposer une formule valable pour tout nn.
Une version interne de GPT‑5.2 dotée d’un échafaudage a ensuite passé environ 12 heures à raisonner sur le problème, aboutissant à la même formule et produisant une démonstration formelle de sa validité. L’équation a ensuite été vérifiée analytiquement comme solution de la relation de récurrence de Berends-Giele, une méthode standard étape par étape pour construire des amplitudes d’arbre à plusieurs particules à partir d’éléments plus simples. Elle a également été vérifiée par rapport au théorème mou, qui impose des contraintes sur le comportement des amplitudes lorsqu’une particule devient molle.
Avec l’aide de GPT‑5.2, ces amplitudes ont déjà été étendues des gluons aux gravitons, et d’autres généralisations sont également en cours. Ces résultats assistés par l’IA, ainsi que bien d’autres, feront l’objet de publications ultérieures.
« La physique de ces processus de diffusion hautement dégénérés m’intrigue depuis que je les ai rencontrés pour la première fois, il y a une quinzaine d’années. C’est donc enthousiasmant de voir les expressions remarquablement simples présentées dans cet article.
Il arrive souvent, dans ce domaine de la physique, que les expressions de certains observables physiques, calculées à l’aide de méthodes issues des manuels, paraissent extrêmement compliquées, mais se révèlent en réalité très simples. C’est important, car des formules simples nous entraînent souvent dans un cheminement qui mène à la découverte et à la compréhension de nouvelles structures profondes, ouvrant de nouveaux horizons d’idées où, entre autres, la simplicité observée au point de départ devient évidente.
« Pour moi, « trouver une formule simple » a toujours été un processus délicat, et j’ai aussi longtemps pensé que cela pourrait être automatisé par des ordinateurs. Il semble qu’à travers plusieurs domaines nous commencions à voir cela se produire; l’exemple présenté dans cet article paraît particulièrement bien adapté pour tirer parti de la puissance des outils modernes d’IA. J’ai hâte de voir cette tendance se poursuivre vers un outil général de « reconnaissance de motifs de formules simples » dans un avenir proche. »
— Nima Arkani-Hamed, professeure de physique à l’Institute for Advanced Study, spécialisée en physique théorique des hautes énergies
« Je réfléchis déjà aux implications de cette prépublication pour certains aspects du programme de recherche de mon groupe. Il s’agit clairement d’une recherche de niveau publication scientifique qui repousse les frontières de la physique théorique, et sa nouveauté inspirera de futurs développements et publications. Cette prépublication m’a donné l’impression d’entrevoir l’avenir de la science assistée par l’IA, où des physiciens travaillent main dans la main avec l’IA pour générer et valider de nouvelles idées. Il ne fait aucun doute que le dialogue entre physiciens et LLM peut produire des connaissances fondamentalement nouvelles. En associant GPT‑5.2 à des experts humains du domaine, cet article propose un modèle pour valider les idées issues des LLM et répond aux exigences de rigueur que nous attendons de la recherche scientifique. »
— Nathaniel Craig, professeur de physique à l’University of California, Santa Barbara (UCSB), spécialisé en physique des hautes énergies, phénoménologie des particules et cosmologie
