GPT‑5.2 obtém um novo resultado em física teórica
Em um novo preprint, o GPT‑5.2 propôs uma fórmula para uma amplitude de glúon que depois foi provada por um modelo interno da OpenAI e verificada pelos autores.
Publicamos um novo preprint mostrando que um tipo de interação entre partículas que muitos físicos esperavam não ocorrer pode, na verdade, surgir sob condições específicas. O trabalho se concentra em glúons, as partículas que carregam a força nuclear forte. O preprint(abre em uma nova janela) está disponível no arXiv e está sendo submetido para publicação. Enquanto isso, aguardamos comentários da comunidade.
O preprint, intitulado “Single-minus gluon tree amplitudes are nonzero”, é assinado por Alfredo Guevara (Institute for Advanced Study), Alex Lupsasca (Vanderbilt University e OpenAI), David Skinner (University of Cambridge), Andrew Strominger (Harvard University) e Kevin Weil (OpenAI), em nome da OpenAI.
O preprint estuda um conceito central em física de partículas chamado amplitude de espalhamento. Uma amplitude de espalhamento é a quantidade que físicos usam para calcular a probabilidade de partículas interagirem de uma certa maneira. Para glúons, as partículas que carregam a força nuclear forte, muitas amplitudes assumem formas inesperadamente simples “no nível de árvore” (ou seja, cálculos que mantêm apenas os diagramas mais simples, sem laços quânticos). Essas simplificações repetidamente revelaram estruturas mais profundas em teoria quântica de campos, o arcabouço que descreve a física unificando a relatividade especial com a mecânica quântica.
Um caso, porém, tem sido em geral tratado como ausente (com amplitude zero). Quando um glúon tem helicidade negativa (uma das duas possíveis orientações de spin que uma partícula sem massa pode ter) e os glúons restantes têm helicidade positiva, argumentos padrão de livros-texto sugerem que a amplitude correspondente, no nível de árvore, deve ser zero. Como resultado, essa configuração foi em grande parte deixada de lado.
O preprint mostra que essa conclusão é forte demais. O argumento padrão assume momentos de partículas genéricos, isto é, direções e energias sem qualquer alinhamento especial. Identificamos uma fatia específica e precisamente definida do espaço de momento em que esse raciocínio deixa de valer, conhecida como regime meio-colinear. Meio-colinear aqui significa que os momentos dos glúons obedecem a uma condição especial de alinhamento que não é típica, mas é matematicamente bem definida e consistente. Nessa fatia, a amplitude não se anula, e nós a calculamos em um regime cinemático especial. Esse resultado abre caminho para muitas novas questões que serão tema de investigações futuras. Extensões importantes incluem o cálculo das amplitudes análogas para grávitons (as partículas que mediam a força gravitacional).
Um aspecto central do trabalho diz respeito à metodologia. A fórmula final, Eq. (39) no preprint, foi inicialmente conjecturada pelo GPT‑5.2 Pro. Os autores humanos calcularam as amplitudes para inteiros até à mão, obtendo expressões muito complicadas mostradas nas Eqs. (29)--(32), que correspondem a uma “expansão em diagramas de Feynman” cuja complexidade cresce superexponencialmente em n. O GPT‑5.2 Pro conseguiu reduzir bastante a complexidade dessas expressões, fornecendo as formas muito mais simples nas Eqs. (35)--(38). A partir desses casos base, ele então conseguiu identificar um padrão e propor uma fórmula válida para todo .
Uma versão interna estruturada do GPT‑5.2 passou então cerca de 12 horas raciocinando sobre o problema, chegando à mesma fórmula e produzindo uma prova formal de sua validade. Em seguida, verificou-se analiticamente que a equação resolve a relação de recorrência de Berends-Giele, um método padrão passo a passo para construir amplitudes de árvore de múltiplas partículas a partir de blocos de construção menores. Ela também foi checada em relação ao teorema soft, que restringe como as amplitudes se comportam quando uma das partículas se torna soft.
Com a ajuda do GPT‑5.2, essas amplitudes já foram estendidas de glúons para grávitons, e outras generalizações também estão a caminho. Esses resultados assistidos por IA, entre muitos outros, serão relatados em outros lugares.
“A física desses processos de espalhamento altamente degenerados é algo que me intriga desde que me deparei com eles pela primeira vez, há cerca de quinze anos, então é empolgante ver as expressões surpreendentemente simples neste artigo.
É comum, nessa área da física, que expressões para certos observáveis físicos, calculadas com métodos de livro-texto, pareçam terrivelmente complicadas, mas acabem sendo muito simples. Isso é importante porque, muitas vezes, fórmulas simples nos colocam em uma jornada para descobrir e entender novas estruturas profundas, abrindo novos mundos de ideias em que, entre outras coisas, a simplicidade vista no ponto de partida se torna óbvia.
Para mim, “encontrar uma fórmula simples” sempre foi algo trabalhoso e também algo que, há muito tempo, sinto que poderia ser automatizado por computadores. Parece que, em várias áreas, estamos começando a ver isso acontecer; o exemplo deste artigo parece especialmente adequado para explorar o poder das ferramentas modernas de IA. Estou ansioso para ver essa tendência avançar em direção a uma ferramenta de uso geral de “reconhecimento de padrões de fórmulas simples” num futuro próximo.”
—Nima Arkani-Hamed, professor de Física no Institute for Advanced Study, especializado em física teórica de altas energias
“Já estou pensando nas implicações deste preprint para aspectos do programa de pesquisa do meu grupo. Trata-se claramente de uma pesquisa em nível de periódico, que avança a fronteira da física teórica, e sua originalidade vai inspirar desenvolvimentos futuros e novas publicações. Este preprint pareceu um vislumbre do futuro da ciência assistida por IA, com físicos trabalhando lado a lado com IA para gerar e validar novos insights. Não há dúvida de que o diálogo entre físicos e LLMs pode gerar conhecimento fundamentalmente novo. Ao combinar o GPT‑5.2 com especialistas humanos na área, o artigo oferece um modelo para validar insights gerados por LLMs e atende ao que esperamos de uma investigação científica rigorosa.”
—Nathaniel Craig, professor de Física na University of California, Santa Barbara (UCSB), especializado em física de altas energias, fenomenologia de partículas e cosmologia
