OpenAI のモデルが離散幾何学の中心的予想を覆す

数学者たちは80年近くにわたり、一見すると単純な問いを研究してきました。平面上に $n$ 個の点を置いたとき、ちょうど $1$ だけ離れた点の組は最大でいくつ作れるのか、という問いです。

これは、1946年に Paul Erdős が初めて提起した平面単位距離問題です。組合せ幾何学で最もよく知られた問題の一つであり、問題の内容は簡潔に述べられる一方で、解決はきわめて困難です。Brass、Moser、Pach による2005年の著書「Research Problems in Discrete Geometry」では、この問題を「組合せ幾何学でおそらく最もよく知られ、最も説明しやすい問題」と評しています。プリンストン大学の著名な組合せ論研究者である Noga Alon は、この問題を「Erdős が特に好んでいた問題の一つ」と評しています。Erdős は、この問題を解いた人に賞金を出すことまで提案していました。

本日、単位距離問題に関する重要な進展を発表します。Erdős の元の研究以来、さらに下で示す「正方格子」の構成が、単位距離の点対の数を最大化するうえで本質的に最適だと広く信じられてきました。OpenAI の社内モデルは、この長年の予想を覆し、従来の構成を多項式的に上回る無限族を発見しました。この証明は、外部の数学者グループによって検証されています。また、この証明の内容を解説し、その意義や背景を詳しく説明する補足論文も執筆しています。

この結果は、その発見のされ方という点でも注目に値します。この証明は、数学専用に学習されたシステムや、証明戦略の探索に特化したシステム、あるいは単位距離問題向けに設計されたシステムではなく、新しい汎用リーズニングモデルによって導かれました。高度なモデルが最先端研究に貢献できるかを検証する取り組みの一環として、私たちはこのモデルを Erdős の問題群で評価しました。その結果、この未解決問題を解決する証明が得られました。

この証明は、数学と AI のコミュニティにとって重要な節目です。数学の一分野の中心にある著名な未解決問題が、AI によって自律的に解かれたのはこれが初めてです。また、こうしたシステムがどれほど高度な推論能力を備えるようになったかも示しています。数学は、推論能力を評価するうえで特に明確な試験場です。問題は厳密に定義され、証明の正しさも検証できます。また、長い証明は推論が最初から最後まで一貫していなければ成立しません。この問題が解かれた方法もまた注目に値します。この証明では、初等的な幾何学の問題に対して、代数的整数論の予想外かつ高度なアイデアが応用されています。

フィールズ賞受賞者の Tim Gowers は補足論文の中で、この成果を「AI 数学における重要な節目」と評しています。第一線の整数論研究者 Arul Shankar も、「この論文は、現在の AI モデルが人間の数学者の単なる補助役を超え、独創的で巧妙なアイデアを生み出し、それを実際の成果へと結実させる能力を持つことを示している」と述べています。

証明はこちら⁠（新しいウィンドウで開く）で公開しています。第一線の外部数学者による関連論文はこちら⁠（新しいウィンドウで開く）で公開しています。モデルの思考過程の短縮版はこちら⁠（新しいウィンドウで開く）でご覧いただけます。

$u(n)$ を、平面上の $n$ 個の点の間に存在し得る単位距離の点対の最大数とします。線形成長率を達成する例は簡単に構成できます。$n$ 個の点を一直線上に置くと $n-1$ 組、正方格子に置くと約 $2n$ 組の点対が得られます。これまで最良とされていた、拡大縮小した正方格子に基づく構成では、さらに多くの点対が得られます。具体的には、ある定数 $C$ に対して $n^{1 + C / \log \log(n)}$ です。$\log \log(n)$ は $n$ とともに無限大に発散するため、指数に加わる項は $0$ に近づきます。つまり、これらの構成で得られる成長は、線形よりわずかに速い程度にとどまります。何十年もの間、この成長率が本質的に最良であり、正方格子を大きく上回る構成は存在しないと広く考えられてきました。技術的に言えば、Erdős は $n^{1+o(1)}$ という上界を予想していました。ここで $o(1)$ は、$n$ とともに $0$ に近づく項を表します。

今回の新たな結果は、この予想が成り立たないことを示しています。より正確には、ある固定された指数 $\delta > 0$ について、無限に多くの $n$ に対し、少なくとも $n^{1+\delta}$ 個の単位距離の点対をもつ $n$ 点配置を構成できることを証明しています。（元の AI による証明では明示的な $\delta$ は与えられていませんが、プリンストン大学の数学教授 Will Sawin による今後発表予定の改良結果により、$\delta=0.014$ とできることが示されています。）

この問題の歴史を振り返ると、なぜこの結果が驚くべきものなのかがよく分かります。最良の既知の下界は、1946年の Erdős による元の構成以来、本質的に変わっていませんでした。最良の上界である $O(n^{4/3})$ は、1984年の Spencer、Szemerédi、Trotter の研究にさかのぼります。その後、Székely、Katz and Silier、Pach、Raz、Solymosi らによる改良や関連する構造的研究があったにもかかわらず、この上界は本質的に変わっていません。この予想を支持する証拠として、Matoušek と Alon-Bucić-Sauermann は平面上の非ユークリッド距離についてこの問題を研究し、そうした非ユークリッド距離の「大半」が、ある意味でこの予想に従うことを証明しました。

驚くべきことに、この構成の鍵となる要素は、代数的整数論というまったく別の数学分野に由来します。代数的整数論は、代数体と呼ばれる整数の拡大における因数分解などの概念を研究する分野です。

大まかに言えば、この証明はよく知られた幾何学的アイデアを出発点とし、それを予想外の方向へ発展させています。

Erdős による元の下界構成は、ガウス整数を使って理解できます。ガウス整数とは、$a+bi$ の形で表される数で、$a$ と $b$ は整数、$i$ は $-1$ の平方根です。ガウス整数は通常の整数を拡張したもので、整数と同じく、素元への一意分解のような性質を持ちます。このような通常の整数や有理数の拡大は、代数体として知られています。新しい証明では、ガウス整数の代わりに、より豊かな対称性を持ち、はるかに多くの単位距離を生み出せる代数的整数論上の一般化された構造を用いています。

厳密な議論では、無限類体塔や Golod–Shafarevich 理論といった道具を用いて、この議論に必要な数体が実際に存在することを示します。これらの概念自体は代数的整数論ではよく知られていました。しかし、それらがユークリッド平面上の幾何学的問題に応用できることは大きな驚きでした。

この結果は、AI と数学の関係における重要な節目です。AI システムが、活発な研究分野の中心にある長年の未解決問題を自律的に解決したためです。また、人間の数学者と AI の新しい協働のあり方を示す先駆的な事例でもあります。今回は、外部の数学者による補足研究によって、元の証明だけでは見えなかった、より豊かな全体像が明らかになっています。

Thomas Bloom は補足ノートで次のように書いています。

「AI が生成した証明の重要性や影響を評価するとき、私が自問するのは、この証明によってこの問題について何か新しいことを学べたのか、という点です。私たちは離散幾何学を以前より深く理解できるようになったのでしょうか。私の答えは、控えめに言えばイエスです。この結果は、この種の問題に対して数論的構成が私たちの想定以上に多くの示唆を与え得ること、さらに、そこで必要となる数論が非常に深い場合があることを示しています。今後数か月のうちに、多くの代数的整数論研究者が離散幾何学の他の未解決問題にも詳しく目を向けることは間違いないでしょう。」

この解法によって明らかになった代数的整数論と離散幾何学の意外な結び付きも、この成果の重要な点の一つです。これは単に一つの予想を解決しただけでなく、関連する新たな問題を探究するための手掛かりを数学者に与える可能性があります。

Bloom はさらに、より広い可能性にも言及しています。

「知識の最前線には大きな起伏があります。今後数か月から数年のうちに、数学の他の多くの分野でも同様の成果が生まれることは間違いありません。AI が予想外のつながりを明らかにし、既存の技術的手法を限界まで押し広げることで、長年の未解決問題が解かれていくでしょう。AI は、私たちが何世紀にもわたって築いてきた数学という大聖堂を、より深く探索する助けになっています。まだ見ぬどのような驚きが、その先に待っているのでしょうか。」

この成果は、その好例と言えるでしょう。AI は単なる解答だけでなく、その意義が人間による理解を通じてさらに深まるような数学的発見にも貢献できることを示しています。

この結果が示す意味は、この個別の成果にとどまりません。数学的推論能力の向上により、AI はより強力な研究パートナーになり得ます。複雑な思考の流れを維持し、離れた分野の知識を結び付け、専門家が見落としていた有望な方向性を見出し、人間だけでは時間や労力の面で難しい問題の研究を支援できるようになります。

こうした能力は数学以外でも重要です。モデルが複雑な議論の一貫性を保ち、遠く離れた知識領域のアイデアを結びつけ、専門家の精査に耐える成果を生み出せるなら、その能力は生物学、物理学、材料科学、工学、医学でも有用です。これは、研究のさらなる自動化に向けた長期的な道筋の一部でもあります。つまり、科学者やエンジニアがより多くのアイデアを探り、より難しい技術的な問いに取り組めるよう支援するシステムへの道です。

AI はまもなく、研究における創造的な営み、そしてとりわけ AI 研究そのものにおいて、極めて重要な役割を担うようになるでしょう。この進展自体は驚くべきものではありません。しかし、AI 開発の次の段階、高度な知能を持つシステムのアラインメントという課題、そして人間と AI の協働の未来を理解する必要性を、私たちに改めて強く意識させるものです。

その未来は、なお人間の判断に依存しています。専門性の価値は下がるのではなく、むしろ高まります。AI は探索、提案、検証を支援できます。重要な問題を選び、結果を解釈し、次に追究すべき問いを決めるのは人間です。