GPT‑5.2 izpelje nov rezultat v teoretični fiziki
V novem prednatisu je GPT‑5.2 predlagal formulo za gluonsko amplitudo, ki jo je kasneje dokazal interni model OpenAI in so jo avtorji preverili.
Objavili smo nov prednatis, ki kaže, da se lahko vrsta interakcije delcev, za katero so številni fiziki pričakovali, da se ne bo zgodila, dejansko zgodi v specifičnih pogojih. Delo se osredotoča na gluone, delce, ki prenašajo močno jedrsko silo. Prednatis(odpre se v novem oknu) je na voljo na arXiv in je v postopku oddaje za objavo. Medtem z veseljem sprejemamo povratne informacije skupnosti.
Prednatis z naslovom “Single-minus gluon tree amplitudes are nonzero” so napisali Alfredo Guevara (Institute for Advanced Study), Alex Lupsasca (Vanderbilt University in OpenAI), David Skinner (University of Cambridge), Andrew Strominger (Harvard University) in Kevin Weil (OpenAI) v imenu OpenAI.
Prednatis preučuje osrednji koncept v fiziki delcev, imenovan sipalna amplituda. Sipalna amplituda je količina, ki jo fiziki uporabljajo za izračun verjetnosti, da delci medsebojno delujejo na določen način. Za gluone, delce, ki prenašajo močno jedrsko silo, imajo številne amplitude nepričakovano preproste oblike “na drevesni ravni” (kar pomeni izračune, ki upoštevajo le najpreprostejše diagrame brez kvantnih zank). Te poenostavitve so večkrat razkrile globljo strukturo v kvantni teoriji polja, ki je okvir, ki zagotavlja opis fizike in združuje posebno relativnost s kvantno mehaniko.
Vendar je bil en primer na splošno obravnavan kot neobstoječ (z ničelno amplitudo). Ko ima en gluon negativno spiralnost (kar pomeni eno od dveh možnih orientacij spina, ki ju lahko ima brezmasni delec) in preostalih gluonov pozitivno helikost, standardni učbeniki nakazujejo, da mora biti ustrezna amplituda na drevesni ravni enaka nič. Posledično je bila ta konfiguracija v veliki meri opuščena.
Prednatis kaže, da je ta zaključek preveč močan. Standardni argument predpostavlja generične gibalne količine delcev, kar pomeni, da smeri in energije niso v nobenem posebnem usklajevanju. Prepoznamo specifičen in natančno opredeljen del prostora gibalne količine, kjer to sklepanje ne velja več, znan kot polkolinearni režim. Polkolinearnost tukaj pomeni, da momenti gluonov izpolnjujejo poseben pogoj poravnave, ki ni tipičen, vendar je matematično dobro opredeljen in skladen. Na tem delu amplituda ne izgine, in jo izračunamo v posebnem kinematičnem režimu. Ta rezultat odpira vrata številnim novim vprašanjem, ki bodo predmet nadaljnjih raziskav. Pomembne razširitve vključujejo izračun analognih amplitud za gravitone (delce, ki posredujejo gravitacijsko silo).
Osrednji vidik dela se nanaša na metodologijo. Končno formulo, enačbo (39) v prednatisu, je prvi predvideval model GPT‑5.2 Pro. Človeški avtorji so ročno izračunali amplitude za celoštevilski do , pri čemer so dobili zelo zapletene izraze, prikazane v enačbah. (29)--(32), ki ustrezajo »razvoju Feynmanovih diagramov«, katerih kompleksnost narašča supereksponentno z n. Model GPT‑5.2 Pro je uspel močno zmanjšati kompleksnost teh izrazov in zagotoviti precej enostavnejše oblike v enačbah. (35)--(38). Iz teh osnovnih primerov je nato lahko prepoznal vzorec in predlagal formulo, veljavno za vse .
Notranja različica GPT‑5.2 z ogrodjem je nato približno 12 ur sklepala o problemu, prišla do iste formule in pripravila formalni dokaz njene veljavnosti. Enačbo smo nato analitično preverili za rešitev Berends-Gielejeve rekurzijske relacije, kar je standardna metoda "korak za korakom" za gradnjo večdelčnih drevesnih amplitud iz manjših gradnikov. Preverjeno je bilo tudi glede na mehki izrek, ki omejuje, kako se amplitude obnašajo, ko delec postane mehak.
S pomočjo GPT‑5.2 so bile te amplitude že razširjene od gluonov do gravitonov, na poti pa so tudi druge posplošitve. Ti rezultati, podprti z umetno inteligenco, in številni drugi bodo poročani drugje.
Fizika teh močno degeneriranih procesov sipanja me zanima že odkar sem se z njimi prvič srečal pred približno petnajstimi leti, zato je razburljivo videti osupljivo preproste izraze v tem dokumentu.
V tem delu fizike se pogosto zgodi, da so izrazi za nekatere fizikalne količine, izračunani z uporabo učbeniških metod, videti strašno zapleteni, vendar se izkažejo za zelo preproste. To je pomembno, saj nas preproste formule pogosto popeljejo na pot odkrivanja in razumevanja globokih novih struktur, odpirajo nove svetove idej, kjer med drugim postane očitna preprostost, ki jo vidimo na začetku.
Zame je bilo “iskanje preproste formule” vedno nekoliko zapleteno, in tudi nekaj, za kar sem že dolgo menil, da bi lahko avtomatizirali računalniki. Zdi se, da na številnih področjih začenjamo opažati, da se to dogaja; primer v tem članku je še posebej primeren za izkoriščanje moči sodobnih orodij umetne inteligence. Z zanimanjem pričakujem, da se bo ta trend v bližnji prihodnosti nadaljeval v smeri splošnonamenskega orodja za 'preprosto prepoznavanje vzorcev formul'.
—Nima Arkani-Hamed, profesor fizike na Inštitutu za napredne študije, specializiran za teoretično visokoenergijsko fiziko
»Že razmišljam o posledicah tega prednatisa na vidike raziskovalnega programa moje skupine.« To je nedvomno raziskava na ravni znanstvene revije, ki premika prelomno teoretične fizike, njena novost pa bo navdihnila prihodnji razvoj in nadaljnje objave. Ta prednatis je bil kot vpogled v prihodnost znanosti, podprte z umetno inteligenco, kjer fiziki tesno sodelujejo z AI pri ustvarjanju in potrjevanju novih spoznanj. Ni dvoma, da lahko dialog med fiziki in LLM-ji ustvari temeljno novo znanje. »S povezovanjem GPT‑5.2 s človeškimi strokovnjaki za posamezna področja dokument ponuja predlogo za potrjevanje spoznanj, ki jih poganja veliki jezikovni model, in izpolnjuje pričakovanja, ki jih imamo od strogega znanstvenega raziskovanja.«
—Nathaniel Craig, profesor fizike na Univerzi Kalifornije v Santa Barbari (UCSB), specializiran za fiziko visokih energij, fenomenologijo delcev in kozmologijo
