O GPT‑5.2 deduz um novo resultado em física teórica
Num novo preprint, o GPT‑5.2 propôs uma fórmula para uma amplitude de gluão que foi depois demonstrada por um modelo interno da OpenAI e verificada pelos autores.
Publicámos um novo preprint que mostra que um tipo de interação de partículas que muitos físicos esperavam não ocorrer pode, na verdade, surgir sob condições específicas. O trabalho centra-se em gluões, as partículas que transportam a força nuclear forte. O preprint(abre numa nova janela) está disponível no arXiv e está a ser submetido para publicação. Entretanto, acolhemos comentários da comunidade.
O preprint, intitulado «Single-minus gluon tree amplitudes are nonzero», é da autoria de 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 os físicos usam para calcular a probabilidade de as partículas interagirem de uma determinada forma. Para gluões, as partículas que transportam a força nuclear forte, muitas amplitudes assumem formas inesperadamente simples «ao nível de árvore» (isto é, em cálculos que mantêm apenas os diagramas mais simples, sem loops quânticos). Estas simplificações revelaram repetidamente estruturas mais profundas na teoria quântica de campos, o enquadramento que fornece uma descrição da física que unifica a relatividade restrita com a mecânica quântica.
Um caso, no entanto, tem sido geralmente tratado como ausente (com amplitude zero). Quando um gluão tem helicidade negativa (uma das duas possíveis orientações de spin que uma partícula sem massa pode ter) e os restantes gluões têm helicidade positiva, argumentos padrão de manuais sugerem que a amplitude de nível de árvore correspondente tem de ser zero. Como resultado, esta configuração foi em grande medida posta de lado.
O preprint mostra que esta conclusão é demasiado forte. O argumento padrão assume momentos de partículas genéricos, ou seja, que as direções e energias não têm qualquer alinhamento especial. Identificamos uma fatia específica e precisamente definida do espaço de momentos onde esse raciocínio deixa de se aplicar, conhecida como regime meio-colinear. Meio-colinear aqui significa que os momentos dos gluões obedecem a uma condição especial de alinhamento que não é típica, mas é matematicamente bem definida e consistente. Nesta fatia, a amplitude não se anula, e nós calculamo-la num regime cinemático especial. Este resultado abre a porta a muitas novas questões que serão objeto de investigações subsequentes. Extensões importantes incluem o cálculo das amplitudes análogas para gravitões (as partículas que mediam a força gravitacional).
Um aspeto central do trabalho diz respeito à metodologia. A fórmula final, Eq. (39) no preprint, foi primeiro conjeturada 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 significativamente a complexidade destas expressões, fornecendo as formas muito mais simples nas Eqs. (35)--(38). A partir destes casos base, conseguiu então identificar um padrão e propor uma fórmula válida para todo .
Uma versão interna estruturada do GPT‑5.2 passou depois cerca de 12 horas a raciocinar sobre o problema, chegando à mesma fórmula e produzindo uma demonstração formal da sua validade. A equação foi subsequentemente verificada analiticamente como solução da 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 mais pequenos. Foi também verificada face ao teorema soft, que restringe o comportamento das amplitudes quando uma partícula se torna soft.
Com a ajuda do GPT‑5.2, estas amplitudes já foram estendidas de gluões para gravitões, e outras generalizações também estão a caminho. Estes resultados assistidos por IA, entre muitos outros, serão apresentados noutros locais.
«A física destes processos de espalhamento altamente degenerados é algo que me desperta curiosidade desde que me deparei com eles há cerca de quinze anos, por isso é entusiasmante ver as expressões surpreendentemente simples neste artigo.
Acontece frequentemente, nesta área da física, que expressões para certos observáveis físicos, calculadas usando métodos de manual, parecem terrivelmente complicadas, mas acabam por ser muito simples. Isto é importante porque, muitas vezes, fórmulas simples levam-nos numa viagem para descobrir e compreender novas estruturas profundas, abrindo novos mundos de ideias onde, entre outras coisas, a simplicidade observada no ponto de partida se torna óbvia.
Para mim, «encontrar uma fórmula simples» sempre foi algo trabalhoso e também algo que há muito sinto que poderia ser automatizado por computadores. Parece que, em vários domínios, estamos a começar a ver isso acontecer; o exemplo deste artigo parece especialmente bem adaptado para explorar o poder das ferramentas modernas de IA. Estou ansioso por ver esta tendência continuar até chegar, num futuro próximo, a uma ferramenta de uso geral de “reconhecimento de padrões de fórmulas simples”.»
—Nima Arkani-Hamed, Professor de Física, Institute for Advanced Study, especializado em física teórica de altas energias
«Já estou a pensar nas implicações deste preprint para aspetos do programa de investigação do meu grupo. Trata-se claramente de investigação ao nível de revista científica que avança a fronteira da física teórica, e a sua novidade irá inspirar desenvolvimentos futuros e publicações subsequentes. Este preprint pareceu um vislumbre do futuro da ciência assistida por IA, com físicos a trabalhar 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 fornece um modelo para validar insights gerados por LLM e satisfaz o 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
